VGG论文笔记

VGG

不同深度的6种VGG的架构：

注意：

1.加粗的层是相较上一层增加的层

2.weight layers是指conv和FC层

3.根据表二可知VGG参数巨多（计算：3* （3 * 3 * c）* c，比5* 5卷积核大小的少）

4.后面16层和19层的模型分别称为VGG16、VGG19

5.VGG模型很容易迁移到其他领域（VGG模型作为特征提取器可以生成4096维向量，之后交给分类器）

6.conv感受野为3*3，卷积核个数从64 * 2一直到512为止

7.max-pooling 2*2 ，步长为2

8.3* 3感受野是最小的，因为要提取上下左右四个方向的信息

9.论文中提到的conv layer width 是指卷积核个数（channels）

论文前3页要点：

1.VGG这篇论文强调了模型深度的重要性，增加深度可以提升精度。

2.多层堆叠小卷积核可以代替一个大的卷积核，感受野不变。

3.否定了LRN层，引入LRN层反而会增加内存以及计算时间。

4.利用1* 1卷积层可以提升模型的非线性表示能力（例如c中增加的层，可以视作线性变换）。

5.采用小卷积代替大卷积核增加深度。

分类框架：

1.训练

基本和AlexNet类似，通过利用minibatch梯度下降优化多分类交叉熵损失函数。batchsize=256，momentum=0.9。通过权重衰减进行正则化，dropout在前两个FC层使用，概率设置为0.5。学习率初始设置为0.01，之后每当准确率不变时除以10。总体上学习率下降了3次。模型收敛快的原因有二：1.更深的深度和更小卷积核的尺寸相当于是隐式的正则化。2.预初始化设置。

预初始化很重要，先练浅的A模型，再拿A模型的4层conv核3层fc初始化。预初始化的层的学习率不会再设置成更小的，其他初始化有随机初始化（正态分布(0，0.01)），偏置初始为0。

训练图像的大小：

设S为一个各向同性训练图的短边（training scale）

各向同性：图像长款缩小比例一样

各向异性：图像长款缩放至某一长度，如果原图是长方形，缩放后图像会变

裁剪大小固定为224 * 224，原则上S大于等于224

S=224：裁剪的图是和原图短边相等的图像

S>>224：裁剪的图像相当于图像的一小部分

设置S的方式：

1.固定S（single-scale training）S=256或者S=384，384时要先训练256来预初始化，不然太慢，学习率更小，为0.001。

2.S可变（multi-scale training）随机，S：[Smin，Smax]。相当于通过尺度抖动来数据增强。

2.测试：

测试有两个要点，一个是FC转化为FCN，一个是全局平均池化。

设Q为图像最短边（test scale）Q不一定要和S相等。

1.FCN：

为什么要转化？：

1.CNN输入固定是因为有FC层，FC与前一层连接时参数要预设好，参数数量时固定的，但卷积核的参数数量就是卷积核的大小，因此输入的图像大小可以变化。

2.提升效率。

2.全局平均池化：

即将每一个通道（depth）取均值变成1* 1* depth的特征。

3.其他细节：

用了4个GPU来数据并行计算（不是模型并行？）

实验结果：

1.Q不变：Q=S，当S不变；Q=0.5*{smin+smax}当S变化。由表可见深度越深效果越好，横向比较变动的S比固定的S效果好。

2.Q可变：Q={S-32，S,S+32}，当s固定；Q={smin，s平均，smax}，当s变化。由实验结果可见深度越深效果越好，横向比较变动的S比固定的S效果好。

3.multi-crop：使用了multi-crop效果好（互补？）。

模型融合：

取模型后验概率的平均值，准确率提升但不大。googlenet的效果好。