Pytorch 深度卷积神经网络 AlexNet

Pytorch 深度卷积神经网络 AlexNet

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用李沐老师的 动手学深度学习 网站和 视频讲解

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. AlexNet

1.1 简介

在 $2012$ 年之前，图像特征都是机械地算出来的。如 SIFT、SURF、HOG（定向梯度直方图）等特征提取方法占据主导地位。然后使用视觉词袋（聚类），最后用 SVM 进行分类。

另一个方面，一些研究人员认为特征本身应该被学习。在合理地复杂性前提下，特征应该由多个共同学习的神经网络层组成，每个层都有可学习的参数。在机器视觉中，最底层可能检测边缘、颜色和纹理。

由此，AlexNet 被提出，在2012年ImageNet挑战赛中取得了轰动一时的成绩。

AlexNet 论文地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

相对于 LeNet 主要改进：

• Dropout 丢弃法
• ReLU 激活函数
• MaxPooling 最大池化

AlexNet 引起了 CV 方法论的改变：

1.2 AlexNet 结构

与 LeNet 对比（左为 LeNet，右为 AlexNet）：

AlexNet 使用了更大的池化窗口，并且使用最大池化层，更大的卷积核窗口和步长，因为图片更大了（LeNet 输入为 $28\times 28$，AlexNet 输入为 $3\times 224\times 224$）。
新加了 $3$ 层卷积层，并且使用更多的输出通道。
全连接层最后输出是 $1000$ 。
激活函数从 sigmoid 换成 ReLU（减缓梯度消失）。
隐藏全连接层后加入了 Dropout。
使用了数据增强（旋转，截取等操作），增强鲁棒性。（很重要！）

AlexNet 参数数量是 LetNet 的 $10$ 倍，计算复杂度是 $260$ 倍。

2. 代码实现

在 kaggle 上记得调成使用 GPU，CPU 太慢了。

2.1 网络结构

为节省训练时间，对 AlexNet 进行一些修改，使用 Fashion-MNIST 数据集，所以先设置通道为 1，等会需要对数据集的形状 $28\times 28$ resize 为 $224\times 224$：

!pip install -U d2l
import torch
from torch import nn
from d2l import torch as d2l

net = nn.Sequential(
    # 这里，我们使用一个11*11的更大窗口来捕捉对象。
    # 同时，步幅为4，以减少输出的高度和宽度。
    # 另外，输出通道的数目远大于LeNet
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数
    nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 使用三个连续的卷积层和较小的卷积窗口。
    # 除了最后的卷积层，输出通道的数量进一步增加。
    # 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度
    nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Flatten(),
    # 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合
    nn.Linear(6400, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    nn.Linear(4096, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    # 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000
    nn.Linear(4096, 10))

X = torch.randn(1, 1, 224, 224)
for layer in net:
    X=layer(X)
    print(layer.__class__.__name__,'output shape:\t',X.shape)

2.2 加载 Fashion-MNIST 数据集并 resize

这是为了节省时间，实际上 AlexNet 论文中是在 ImageNet 上进行训练的，将 Fashion-MNIST 数据集的形状 $28\times 28$ resize 为 $224\times 224$：

batch_size = 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)

2.3 训练

lr, num_epochs = 0.01, 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

精度相对于 LeNet 有提高。