终于有个能看懂的CS231n经典CNN课程了：AlexNet/VGG/GoogLeNet（上）

原标题：终于有个能看懂的CS231n经典CNN课程了：AlexNet/VGG/GoogLeNet（上）

大家好，我是禅师的助理兼人工智能排版住手助手条子。

今天由条子给大家推送。其实条子对人工智能不是很了解，但是禅师说：你去看看斯坦福的 CS231n 教程就了解了。

快拉倒吧。我要是能看懂还给你当助手？

不过好在还是有明白人，对 CS231n 的 CNN 课程进行了翻译，并加入了译者对课程的理解和解读。

条子表示看过以后，确实对 CNN 有了一点点新的认识，不再像以前那样只能分清美国媒体 CNN 和神经网络 CNN …

本文由译智社的小伙伴翻译。这是一群来自全国多所顶级高校、很有理想的年轻人，因为热爱人工智能，组成了一个社团（字面意义的社团），努力推进人工智能的普及。

全文大约3500字。看完大概需要好几首这首歌的时间??

文章 | gdymind

编辑 | strongnine

本文翻译总结自CS231n Lecture 9：

https://youtu.be/DAOcjicFr1Y

本篇将深入介绍当前的应用和研究工作中最火的几个CNN 网络架构 —— AlexNet、VGGNet、GoogLeNet 和ResNet，它们都在ImageNet 分类任务中有很好的表现。另外，本篇也会粗略介绍一些其他的架构。

LeNet-5 回顾

我们先来回顾一下最基本的LeNet，它可以说是首个效果比较好的CNN。它使用了5 x 5 的卷积核，stride 为1。池化层卷积核是2 x 2 的，stride 为2。最后还有几个全连接层。网络结构很简单也很容易理解。

AlexNet

接下来讲的是AlexNet，它是第一个在ImageNet 分类上表现不错的大规模的 CNN，在2012 年一举碾压其他方法获得冠军，于是开启了一个新的时代。

它的基本架构组成如下图，它是由若干卷积层、池化层、归一化层和全连接层组成的。左边方括弧里的内容为数据的形状，右边有卷积核的详细参数。总体来说AlexNet 和LeNet 很像，只不过网络层数大大增加。

整个网络架构可视化出来是这样的（输入层的224 x 224 应为227 x 227）：

下面总结一下这个网络的一些特点和小细节：

1. 它是第一个使用ReLU 的网络；

2. 它使用了局部响应归一化层（Local Response Normalization Layers,LRN），。不过要注意，这种层现在已经不常用了，因为研究发现它的作用不是很大；

3. 它使用了很多数据增广（data augmentation）技术，比如翻转（flipping）、PCA Jittering、随机裁切（cropping）、颜色归一化（color normalization）等等；

4. 使用了0.5 的dropout；

5. batch size 为128；

6.SGD Momentum 为0.9；

7. 学习率为0.01，每次loss 不降的时候手动除以10，直到最后收敛；

8. L2 weight decay 为5e-4；

9. 使用7 个CNN ensemble（多次训练模型取均值），效果提升为18.2% → 15.4%。

另外提一句，从上面的架构图中，CONV1 层的96 个kernel 分成了两组，每组 48 个，这主要是历史原因，当时用的GPU 显存不够用，用了两块GPU。CONV1、CONV2、CONV4 和CONV5 在每块GPU 上只利用了所在层一半的 feature map，而CONV3、FC6、FC7 和FC8 则使用了所在层全部的feature map。

AlexNet 是第一个使用CNN 架构在ImageNet Large Scale Visual Recognition Challenge（ILSVRC）上取得冠军的网络，它能力挺不错，不过后面讲到的一些网络架构更加优秀，也是在我们实际应用中可以优先考虑使用的。

ZFNet 赢得了2013 年ILSVRC 的冠军，它所做的是对AlexNet 的超参数进行了一些改进，网络架构没什么太大变化。但在2014 年，有两个新的很厉害的网络架构被提出来 —— VGGNet 和GoogleNet。它们与之前网络的主要差异在于网络深度大大增加，相比于AlexNet 的8 层，它们分别有19 层和22 层。下面我们分别具体讲一下两个网络。

VGG

VGG 主要有两点改进：

1. 显著增加了网络层数（16 层到19 层）

2. 大大减小了kernel size，使用的是3 x 3 CONV stride 1 padding 1 和2 x 2 MAX POOL stride 2 这样的filter。

VGG 和AlexNet 的对比如下：

加深网络很好理解，但为什么要缩小filter 到3 x 3 呢？我们来小小地计算一下：

当使用一个7 x 7 的filter 时，它的感受野是7 x 7 的。但如果我们使用三个 3 x 3 的filter 来替换这一个7 x 7 的filter 呢？

从输入经过第一个3 x 3 filter，感受野为3 x 3，第一个filter 的输出再经过第二个3 x 3 filter，感受野为5 x 5（三个3 x 3 的相邻的区域综合起来是5 x 5），经过第三个filter 之后，感受野为7 x 7。这样，经过替代后，在感受野不变的情况下：

• 网络更深了，大大增加了网络的非线性能力；
• 网络参数变少了： 其中，为分别为输入、输出的 feature map 数。

VGG16 的具体参数如下：

可以看到，每张图片forward 的过程中需要占用约100M 的内存，这确实是个很大的数字。另外138M 的参数量，也比AlexNet 的60M 多出不少。其中占用内存大的主要是最前面的卷积层（因为网络前面部分数据量还比较大）和全连接层（之后我们可以看到一些架构通过去掉全连接层来节省内存）。

下面总结一下这个网络的一些特点和小细节：

1. 它赢得了ILSVRC’14 的冠军；

2. 它使用了和AlexNet 类似的训练方法；

3. 它没有使用AlexNet 中用的LRN 层（因为实验发现LRN 用处不大）；

4. 它分为VGG16 和VGG19（其中VGG19 只是多了三层，效果稍好一些，占用内存也更多）。实际使用中VGG16 用的更多；

5. 为了提升效果使用了ensemble（多次训练模型，最后取均值）；

6. FC7 中得到的feature map（也就是一个1 x 4096 的向量）提取出了很好的feature，可以用来做其他任务。

接下来讲一下同样在2014 年提出的网络GoogleNet。

GoogLeNet

GoogleNet 是ILSVRC’14 中的分类冠军，它除了使用更深的网络（22 层），还有一个更大的亮点——注重计算效率（Computational Efficiency）。GoogLeNet 中没有使用全连接层，这大大减少了参数量。此外，它还使用了“Inception 模块”（后面详细讲）。这样一来，整个网络只需要 5M 的参数量，仅仅是AlexNet 的十二分之一！

现在讲一下这个神奇的“Inception模块”。它的主要思想是设计一种效果好的局部网络拓扑结构（local network topology），也就是在网络中嵌套网络，最后把这些网络堆叠成一个网络，示意图大概是这样的：

举个Inception 模块的最naive 的栗子（见下图），输入被分别送到不同kernel size 的卷积核中（1 x 1, 3 x 3, 5 x 5），另外还加了一个池化。各部分分别产生输出之后，再把它们连成一个整体作为输出。

但是直接这样做会有问题，把各部分输出联系来之后，feature map 的数量成数倍的增长。我们的解决方案是引入“bottleneck”层，这种层使用1 x 1的卷积层，不过使用的filter 数目更少，也就是说减少了feature map 的数量，新的架构举例如下图：

注意图中的红色部分，它们将256 个feature map 减少到了64 个，也就大大降低了参数量。改进后的Inception 模块只需要358M 次操作（之前需要854M 次）。

在GoogLeNet 中，网络的开头部分是一个主干形的stem network，这个部分和之前AlexNet 和VGG 中的差不多，是卷积池化之类的层的叠加（见下图蓝框）。之后把上面说的Inception 模块串到了一起，最后加上用于分类的层形（注意没有全连接层）成了整个网络。

其中需要注意下图中框出来的部分，它们和网络的最后做了类似的工作，也输出了分类标签。最终使用三处输出一起计算loss。这样做的原因是网络层数很多，中间的结果也很有用。此外中间的这两处输出也会计算梯度，这有助于缓解这种层数很多的网络中的梯度消失的问题。

到这里，整个网络我们就介绍完啦，总体来说，网络之所以这样设计、之所以效果这么好有两方面原因。一是前面提到的Inception Model 很有用。此外还有一个重要原因，就是Google 财大气粗有钱任性，可以用大量的机器验证各种各样奇奇怪怪的网络架构，最后挑选出效果好的就行了（有钱真好.jpg）。

接下来我们的目光转向2015 年的冠军 ——ResNet，具体请看下一篇文章~

LRN 链接：

https://blog.csdn.net/u014296502/article/details/78839881

https://prateekvjoshi.com/2016/04/05/what-is-local-response-normalization-in-convolutional-neural-networks/