基于python手写深度学习网络系列（9）为什么要加深网络？VGG、GoogleNet和ResNet，以及书籍推荐和分享。

基于python手写深度学习网络系列（9）

为什么要加深网络？VGG、GoogleNet和ResNet，以及书籍推荐和分享。

这里使用的卷积层全都是3×3的小型滤波器，特点是随着层的加深，通道数变大（卷积层的通道数从前面的层开始按顺序以16、16、32、32、64、64的方式增加）。 此外，如图8-1所示，插入了池化层，以逐渐减小中间数据的空间大小；并且， 后面的全连接层中使用了Dropout层。

使用He初始值作为权重的初始值，使用adam更新权重参数。

通过数据扩充Data Augmentation来提高识别精度，基于算法“人为地”扩充输入图像（训练图像）。具体地说，如图8-4所示，对于输入图像，通过施加旋转、垂直或水平方向上的移动等微小变化，增加图像的数量。这在数据集的图像数量有限时尤其有效。

还有裁剪图像的 “crop处理”、将图像左右翻转的“flip 处 理”（只在不考虑图像对称性的情况下有效）

加深层的原因：这个研究目前还不够透彻

（1）首先是可以减少网络的参数量，加深了的网络可以用更少的参数达到同等水平的表现力。

一次5×5的卷积运算的区域可以由两次3×3的卷积运算抵充。并且，相对于前者的参数数量25（5×5），后者一共是18（2×3×3），通过叠加卷积层，参数数量减少了。随着层数的加深，这个参数的差别还会更大。

叠加小型滤波器来加深网络的好处是可以减少参数的数量，扩大感受野（receptive field，给神经元施加变化的某个局部空间区域）。并且，通过叠加层，将ReLU等激活函数夹在卷积层的中间，进一步提高了网络的表现力。这是因为向网络添加了基于激活函数的“非线性” 表现力，通过非线性函数的叠加，可以表现更加复杂的东西。

（2）通过加深网络，就可以分层次地分解需要学习的问题。因此，各 层需要学习的问题就变成了更简单的问题。比如，最开始的层只要专注于学 习边缘就好，这样一来，只需用较少的学习数据就可以高效地进行学习。这 是为什么呢？因为和印有“狗”的照片相比，包含边缘的图像数量众多，并 且边缘的模式比“狗”的模式结构更简单。

（3）通过加深层，可以分层次地传递信息。

 

大规模图像识别大赛ILSVRC（ImageNet Large Scale Visual Recognition Challenge）

     VGG是由卷积层和池化层构成的基础的CNN。不过，如图8-9所示， 它的特点在于将有权重的层（卷积层或者全连接层）叠加至16层（或者19层）， 具备了深度（根据层的深度，有时也称为“VGG16”或“VGG19”）。

VGG中需要注意的地方是，基于3×3的小型滤波器的卷积层的运算是连续进行的。如图8-9所示，重复进行“卷积层重叠2次到4次，再通过池化层将大小减半”的处理，最后经由全连接层输出结果

[20]  Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner（1998）: Gradient-based

learning applied to document recognition. Proceedings of the IEEE 86,

11 (November 1998), 2278 – 2324.

[22]  Karen Simonyan and Andrew Zisserman（2014）: Very Deep

Convolutional Networks for Large-Scale Image Recognition.

arXiv:1409.1556 [cs] (September 2014).

 

GoogleNet的特征是，网络不仅 在纵向上有深度，在横向上也有深度（广度）。这种结构叫inception，使用多个大小不同的滤波器和池化，最后合并他们的结果

[23]  Christian Szegedy et al（2015）: Going Deeper With Convolutions. In

The IEEE Conference on Computer Vision and Pattern Recognition

(CVPR).

 

ResNet 微软的，导入了快捷结构，快捷结构横跨（跳过）了输入数据的卷积层，将输入x合计到输出。因为快捷结构只是原封不动地传递输入数据，所以反向传播时会将 来自上游的梯度原封不动地传向下游。这里的重点是不对来自上游 的梯度进行任何处理，将其原封不动地传向下游。因此，基于快捷 结构，不用担心梯度会变小（或变大），能够向前一层传递“有意义 的梯度”。通过这个快捷结构，之前因为加深层而导致的梯度变小的 梯度消失问题就有望得到缓解。

[24]  Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun（2015） : 

Deep Residual Learning for Image Recognition. arXiv:1512.03385 [cs]

(December 2015).

Google的TensorFlow、微软的CNTK（Computational Network Toolki）在开发过程中高度重视分布式学习。

 

关于深度学习的位数缩减，到目前为止已有若干研究。最近有人提出了用1位来表示权重和中间数据的Binarized Neural Networks方法[31]。为了实现深度学习的高速化，位数缩减是今后必须关注的一个课题，特别是在面向 嵌入式应用程序中使用深度学习时，位数缩减非常重要。

NumPy中提供了16位的半精度浮点数类型（不过，只有16位类型的存储，运算本身不用16位进行），即便使用NumPy的半精度浮点数，识别精度也不会下降。

 

图像检测

图像分割

有人提出了一个名为FCN（Fully Convolutional Network）[37]的方法。该方法通过一次forward处理，对所有像素进行分类（图 8-20）。

FCN的字面意思是“全部由卷积层构成的网络”。相对于一般的CNN包含全连接层，FCN将全连接层替换成发挥相同作用的卷积层。在物体识别中使用的网络的全连接层中，中间数据的空间容量被作为排成一列的节点进行处理，而只由卷积层构成的网络中，空间容量可以保持原样直到最后的输出。

[37]  Jonathan Long, Evan Shelhamer, and Trevor Darrell（2015）: Fully

Convolutional Networks for Semantic Segmentation. In The IEEE

Conference on Computer Vision and Pattern Recognition (CVPR).

 

一个基于深度学习生成图像标题的代表性方法是被称为NIC（Neural Image Caption）的模型。如图8-22所示，NIC由深层的CNN和处理自然语 言的RNN（Recurrent  Neural Network）构成。 RNN是呈递归式连接的网络， 经常被用于自然语言、时间序列数据等连续性的数据上。

 

强化学习的基本框架是，代理（Agent）根据环境选择行动，然后通过这 个行动改变环境。根据环境的变化，代理获得某种报酬。强化学习的目的是 决定代理的行动方针，以获得更好的报酬（图8-26）。

在使用了深度学习的强化学习方法中，有一个叫作Deep Q-Network（通 称DQN）[44]的方法。该方法基于被称为Q学习的强化学习算法。

 

[41]  Alec Radford, Luke Metz, and Soumith Chintala（2015）: Unsupervised

Representation Learning with Deep Convolutional Generative

Adversarial Networks. arXiv:1511.06434 [cs] (November 2015).

 

[44]  Volodymyr Mnih et al（2015）: Human-level control through deep

reinforcement learning. Nature 518, 7540 (2015), 529 – 533.

写在最后

至此，《深度学习入门-基于Python的理论与实践》这本书的读书笔记就全部发布完了，向大家推荐一下这本书，整本书非常简单，工程驱动，基本涵盖了神经网络的相关知识点。整个神经网络都是可以自己手写出来的，但是也就没办法通过这本书了解到一些框架了。

如果想要继续深入学习，建议理论方面可以看看花书《DeepLearning》、西瓜书（周志华的《机器学习》）或者是李航的《统计学习方法》，实践方面可以看一下keras之父弗朗索瓦肖莱写的那本《Deep Learning with Python》，也就是封面是一位带帽子的人的那本书。如果需要相关资源的话，可以在评论区或者私信我，这些书电子版中英文的我都有，可以分享给大家。