【深度学习】AlexNet原理解析及实现
【深度学习】AlexNet原理解析及实现
Alex提出的alexnet网络结构模型，在imagenet2012图像分类challenge上赢得了冠军。
要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型。
一、Alexnet结构
alexNet为8层深度网络，其中5层卷积层和3层全连接层，不计LRN层和池化层。如下图所示：
图 Alexnet结构
详解各层训练参数的计算：
前五层：卷积层
后三层：全连接层
整体计算图：
二、结构分析
AlexNet每层的超参数如下图所示，其中输入尺寸为227*227，第一个卷积使用较大的核尺寸11*11，步长为4，有96个卷积核；紧接着一层LRN层；然后是最大池化层，核为3*3，步长为2。这之后的卷积层的核尺寸都比较小，5*5或3*3，并且步长为1，即扫描全图所有像素；而最大池化层依然为3*3，步长为2.
我们可以发现，前几个卷积层的计算量很大，但参数量很小，只占Alexnet总参数的很小一部分。这就是卷积层的优点！通过较小的参数量来提取有效的特征。
要注意，论文中指出，如果去掉任何一个卷积层，都会使网络的分类性能大幅下降。
三、AlexNet的新技术点
AlexNet的新技术点（即大牛论文的contribution），如下：
（1）ReLU作为激活函数。
ReLU为非饱和函数，论文中验证其效果在较深的网络超过了SIgmoid，成功解决了SIgmoid在网络较深时的梯度弥散问题。
（2）Dropout避免模型过拟合
在训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合。在alexnet的最后几个全连接层中使用了Dropout。
（3）重叠的最大池化
之前的CNN中普遍使用平均池化，而Alexnet全部使用最大池化，避免平均池化的模糊化效果。并且，池化的步长小于核尺寸，这样使得池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。
（4）提出LRN层
提出LRN层，对局部神经元的活动创建竞争机制，使得响应较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。
（5）GPU加速
（6）数据增强
随机从256*256的原始图像中截取224*224大小的区域（以及水平翻转的镜像），相当于增强了（256-224）*（256-224）*2=2048倍的数据量。使用了数据增强后，减轻过拟合，提升泛化能力。避免因为原始数据量的大小使得参数众多的CNN陷入过拟合中。
四、AlexNet的搭建
利用tensorflow实现ALexNet，环境为：win10+anaconda+python3+CPU(本人仅利用CPU，未使用GPU加速，所以最终模型训练速度较慢)。
利用tensorboard可视化ALexNet结构为：
（1）首先看一下卷积层的搭建：带有LRN和池化层的卷积层
with tf.name_scope('conv1') as scope:
"""
images:227*227*3
kernel: 11*11 *64
stride:4*4
padding:name
#通过with tf.name_scope('conv1') as scope可以将scope内生成的Variable自动命名为conv1/xxx
便于区分不同卷积层的组建
input: images[227*227*3]
middle: conv1[55*55*96]
output: pool1 [27*27*96]
"""
kernel=tf.Variable(tf.truncated_normal([11,11,3,96],
dtype=tf.float32,stddev=0.1),name="weights")
conv=tf.nn.conv2d(images,kernel,[1,4,4,1],padding='SAME')
biases=tf.Variable(tf.constant(0.0, shape=[96], dtype=tf.float32),
trainable=True,name="biases")
bias=tf.nn.bias_add(conv,biases) # w*x+b
conv1=tf.nn.relu(bias,name=scope) # reLu
print_architecture(conv1)
parameters +=[kernel,biases]
#添加LRN层和max_pool层
"""
LRN会让前馈、反馈的速度大大降低（下降1/3），但最终效果不明显，所以只有ALEXNET用LRN，其他模型都放弃了
"""
lrn1=tf.nn.lrn(conv1,depth_radius=4,bias=1,alpha=0.001/9,beta=0.75,name="lrn1")
pool1=tf.nn.max_pool(lrn1,ksize=[1,3,3,1],strides=[1,2,2,1],
padding="VALID",name="pool1")
print_architecture(pool1)
with tf.name_scope('conv3') as scope:
"""
input: pool2[13*13*256]
output: conv3 [13*13*384]
"""
kernel = tf.Variable(tf.truncated_normal([3, 3, 256, 384],
dtype=tf.float32, stddev=0.1), name="weights")
conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[384], dtype=tf.float32),
trainable=True, name="biases")
bias = tf.nn.bias_add(conv, biases) # w*x+b
conv3 = tf.nn.relu(bias, name=scope) # reLu
parameters += [kernel, biases]
print_architecture(conv3)（3）全连接层的搭建
#全连接层6
with tf.name_scope('fc6') as scope:
"""
input:pool5 [6*6*256]
output:fc6 [4096]
"""
kernel = tf.Variable(tf.truncated_normal([6*6*256,4096],
dtype=tf.float32, stddev=0.1), name="weights")
biases = tf.Variable(tf.constant(0.0, shape=[4096], dtype=tf.float32),
trainable=True, name="biases")
# 输入数据变换
flat = tf.reshape(pool5, [-1, 6*6*256] ) # 整形成m*n,列n为7*7*64
# 进行全连接操作
fc = tf.nn.relu(tf.matmul(flat, kernel) + biases,name='fc6')
# 防止过拟合 nn.dropout
fc6 = tf.nn.dropout(fc, keep_prob)
parameters += [kernel, biases]
print_architecture(fc6)（4）训练测试：
因未下载ImageNet数据集（太大），只是简单的测试了一下alexnet的性能。使用的是随机生成的图片来作为训练数据。
def time_compute(session,target,info_string):
num_step_burn_in=10 #预热轮数，头几轮迭代有显存加载、cache命中等问题可以因此跳过
total_duration=0.0 #总时间
total_duration_squared=0.0
for i in range(num_batch+num_step_burn_in):
start_time=time.time()
_ = session.run(target)
duration= time.time() -start_time
if i>= num_step_burn_in:
if i%10==0: #每迭代10次显示一次duration
print("%s: step %d,duration=%.5f "% (datetime.now(),i-num_step_burn_in,duration))
total_duration += duration
total_duration_squared += duration *duration
time_mean=total_duration /num_batch
time_variance=total_duration_squared / num_batch - time_mean*time_mean
time_stddev=math.sqrt(time_variance)
#迭代完成，输出
print("%s: %s across %d steps,%.3f +/- %.3f sec per batch "%
(datetime.now(),info_string,num_batch,time_mean,time_stddev))
def main():
with tf.Graph().as_default():
"""仅使用随机图片数据 测试前馈和反馈计算的耗时"""
image_size =224
images=tf.Variable(tf.random_normal([batch_size,image_size,image_size,3],
dtype=tf.float32,stddev=0.1 ) )
fc8,parameters=inference(images)
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)
"""
AlexNet forward 计算的测评
传入的target:fc8（即最后一层的输出）
优化目标：loss
使用tf.gradients求相对于loss的所有模型参数的梯度
AlexNet Backward 计算的测评
target:grad
"""
time_compute(sess,target=fc8,info_string="Forward")
obj=tf.nn.l2_loss(fc8)
grad=tf.gradients(obj,parameters)
time_compute(sess,grad,"Forward-backward")（5）测试结果：
结构输出 (注意，32是我设置的batch_size，即训练的图片数量为32)
前向预测用时：
后向训练（学习）用时：
可以看出后向训练用时比前向推理用时长很多，大概是5倍。
【附录】完整代码
# -*- coding:utf-8 -*-
"""
@author:Lisa
@file:alexNet.py
@function:实现Alexnet深度模型
@note:learn from《tensorflow实战》
@time:2018/6/24 0024下午 5:26
"""
import tensorflow as tf
import time
import math
from datetime import datetime
batch_size=32
num_batch=100
keep_prob=0.5
def print_architecture(t):
"""print the architecture information of the network,include name and size"""
print(t.op.name," ",t.get_shape().as_list())
def inference(images):
""" 构建网络 ：5个conv+3个FC"""
parameters=[] #储存参数
with tf.name_scope('conv1') as scope:
"""
images:227*227*3
kernel: 11*11 *64
stride:4*4
padding:name
#通过with tf.name_scope('conv1') as scope可以将scope内生成的Variable自动命名为conv1/xxx
便于区分不同卷积层的组建
input: images[227*227*3]
middle: conv1[55*55*96]
output: pool1 [27*27*96]
"""
kernel=tf.Variable(tf.truncated_normal([11,11,3,96],
dtype=tf.float32,stddev=0.1),name="weights")
conv=tf.nn.conv2d(images,kernel,[1,4,4,1],padding='SAME')
biases=tf.Variable(tf.constant(0.0, shape=[96], dtype=tf.float32),
trainable=True,name="biases")
bias=tf.nn.bias_add(conv,biases) # w*x+b
conv1=tf.nn.relu(bias,name=scope) # reLu
print_architecture(conv1)
parameters +=[kernel,biases]
#添加LRN层和max_pool层
"""
LRN会让前馈、反馈的速度大大降低（下降1/3），但最终效果不明显，所以只有ALEXNET用LRN，其他模型都放弃了
"""
lrn1=tf.nn.lrn(conv1,depth_radius=4,bias=1,alpha=0.001/9,beta=0.75,name="lrn1")
pool1=tf.nn.max_pool(lrn1,ksize=[1,3,3,1],strides=[1,2,2,1],
padding="VALID",name="pool1")
print_architecture(pool1)
with tf.name_scope('conv2') as scope:
"""
input: pool1[27*27*96]
middle: conv2[27*27*256]
output: pool2 [13*13*256]
"""
kernel = tf.Variable(tf.truncated_normal([5, 5, 96, 256],
dtype=tf.float32, stddev=0.1), name="weights")
conv = tf.nn.conv2d(pool1, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32),
trainable=True, name="biases")
bias = tf.nn.bias_add(conv, biases) # w*x+b
conv2 = tf.nn.relu(bias, name=scope) # reLu
parameters += [kernel, biases]
# 添加LRN层和max_pool层
"""
LRN会让前馈、反馈的速度大大降低（下降1/3），但最终效果不明显，所以只有ALEXNET用LRN，其他模型都放弃了
"""
lrn2 = tf.nn.lrn(conv2, depth_radius=4, bias=1, alpha=0.001 / 9, beta=0.75, name="lrn1")
pool2 = tf.nn.max_pool(lrn2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
padding="VALID", name="pool2")
print_architecture(pool2)
with tf.name_scope('conv3') as scope:
"""
input: pool2[13*13*256]
output: conv3 [13*13*384]
"""
kernel = tf.Variable(tf.truncated_normal([3, 3, 256, 384],
dtype=tf.float32, stddev=0.1), name="weights")
conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[384], dtype=tf.float32),
trainable=True, name="biases")
bias = tf.nn.bias_add(conv, biases) # w*x+b
conv3 = tf.nn.relu(bias, name=scope) # reLu
parameters += [kernel, biases]
print_architecture(conv3)
with tf.name_scope('conv4') as scope:
"""
input: conv3[13*13*384]
output: conv4 [13*13*384]
"""
kernel = tf.Variable(tf.truncated_normal([3, 3, 384, 384],
dtype=tf.float32, stddev=0.1), name="weights")
conv = tf.nn.conv2d(conv3, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[384], dtype=tf.float32),
trainable=True, name="biases")
bias = tf.nn.bias_add(conv, biases) # w*x+b
conv4 = tf.nn.relu(bias, name=scope) # reLu
parameters += [kernel, biases]
print_architecture(conv4)
with tf.name_scope('conv5') as scope:
"""
input: conv4[13*13*384]
output: conv5 [6*6*256]
"""
kernel = tf.Variable(tf.truncated_normal([3, 3, 384, 256],
dtype=tf.float32, stddev=0.1), name="weights")
conv = tf.nn.conv2d(conv4, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32),
trainable=True, name="biases")
bias = tf.nn.bias_add(conv, biases) # w*x+b
conv5 = tf.nn.relu(bias, name=scope) # reLu
pool5 = tf.nn.max_pool(conv5, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
padding="VALID", name="pool5")
parameters += [kernel, biases]
print_architecture(pool5)
#全连接层6
with tf.name_scope('fc6') as scope:
"""
input:pool5 [6*6*256]
output:fc6 [4096]
"""
kernel = tf.Variable(tf.truncated_normal([6*6*256,4096],
dtype=tf.float32, stddev=0.1), name="weights")
biases = tf.Variable(tf.constant(0.0, shape=[4096], dtype=tf.float32),
trainable=True, name="biases")
# 输入数据变换
flat = tf.reshape(pool5, [-1, 6*6*256] ) # 整形成m*n,列n为7*7*64
# 进行全连接操作
fc = tf.nn.relu(tf.matmul(flat, kernel) + biases,name='fc6')
# 防止过拟合 nn.dropout
fc6 = tf.nn.dropout(fc, keep_prob)
parameters += [kernel, biases]
print_architecture(fc6)
# 全连接层7
with tf.name_scope('fc7') as scope:
"""
input:fc6 [4096]
output:fc7 [4096]
"""
kernel = tf.Variable(tf.truncated_normal([4096, 4096],
dtype=tf.float32, stddev=0.1), name="weights")
biases = tf.Variable(tf.constant(0.0, shape=[4096], dtype=tf.float32),
trainable=True, name="biases")
# 进行全连接操作
fc = tf.nn.relu(tf.matmul(fc6, kernel) + biases, name='fc7')
# 防止过拟合 nn.dropout
fc7 = tf.nn.dropout(fc, keep_prob)
parameters += [kernel, biases]
print_architecture(fc7)
# 全连接层8
with tf.name_scope('fc8') as scope:
"""
input:fc7 [4096]
output:fc8 [1000]
"""
kernel = tf.Variable(tf.truncated_normal([4096, 1000],
dtype=tf.float32, stddev=0.1), name="weights")
biases = tf.Variable(tf.constant(0.0, shape=[1000], dtype=tf.float32),
trainable=True, name="biases")
# 进行全连接操作
fc8 = tf.nn.xw_plus_b(fc7, kernel, biases, name='fc8')
parameters += [kernel, biases]
print_architecture(fc8)
return fc8,parameters
def time_compute(session,target,info_string):
num_step_burn_in=10 #预热轮数，头几轮迭代有显存加载、cache命中等问题可以因此跳过
total_duration=0.0 #总时间
total_duration_squared=0.0
for i in range(num_batch+num_step_burn_in):
start_time=time.time()
_ = session.run(target)
duration= time.time() -start_time
if i>= num_step_burn_in:
if i%10==0: #每迭代10次显示一次duration
print("%s: step %d,duration=%.5f "% (datetime.now(),i-num_step_burn_in,duration))
total_duration += duration
total_duration_squared += duration *duration
time_mean=total_duration /num_batch
time_variance=total_duration_squared / num_batch - time_mean*time_mean
time_stddev=math.sqrt(time_variance)
#迭代完成，输出
print("%s: %s across %d steps,%.3f +/- %.3f sec per batch "%
(datetime.now(),info_string,num_batch,time_mean,time_stddev))
def main():
with tf.Graph().as_default():
"""仅使用随机图片数据 测试前馈和反馈计算的耗时"""
image_size =224
images=tf.Variable(tf.random_normal([batch_size,image_size,image_size,3],
dtype=tf.float32,stddev=0.1 ) )
fc8,parameters=inference(images)
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)
"""
AlexNet forward 计算的测评
传入的target:fc8（即最后一层的输出）
优化目标：loss
使用tf.gradients求相对于loss的所有模型参数的梯度
AlexNet Backward 计算的测评
target:grad
"""
time_compute(sess,target=fc8,info_string="Forward")
obj=tf.nn.l2_loss(fc8)
grad=tf.gradients(obj,parameters)
time_compute(sess,grad,"Forward-backward")
if __name__=="__main__":
main()
参考：
《tensorflow实战》黄文坚（本文内容及代码大多源于此书，感谢！）
大牛论文《ImageNet Classification with Deep Convolutional Neural Networks 》Alex Krizhevsky 等