【机器学习】图解VGG与ResNet （文末送书）

• 粉丝福利送书：《 自然语言处理NLP从入门到项目实战》
• 点赞 收藏 ⭐留言 即可参与抽奖送书
• 下周二(12月28日)晚上20：00将会在【点赞区和评论区】抽一位粉丝送这本北京大学出版社的书~
• 详情请看最后的介绍嗷~✨

1. VGG

VGG网络采用小的滤波器, 具有更深的网络结构。3x3 CONV，2x2 MAX POOL

三个 3x3 conv 的堆叠，具备等效于一个7x7 conv 的感受，网络更深，具有更强的非线性。

1.1 网络输入

在训练过程中，网络输入尺寸固定为 224x224 的 RGB 图像，唯一的预处理就是：基于整个训练集计算 RGB 的均值，然后每个像素节点上减去该均值。

1.2 网络各层结构

• 卷积层

在这里，网络用 3x3 的小尺寸卷积核来提取特征，并用 1x1 的卷积核来作线性转换（后接非线性层）。卷积运算的步长设置为 1，且进行 padding，使得卷积前后尺寸不变。

• 池化层

池化层选取 max-pooling，步长为 2， 尺寸为 2 * 2。 因此，特征图的尺寸变换只发生于池化层。

• 全连接层

网络最后，接着 3 个全连接层（Fully-Connected layers）。神经元数目分别为：4096，4096，1000，最后 1000 用于 1000 分类。最后用一个 softmax 层，用于计算类别的概率（约束在 0~1 之间，和为 1）。

• 激活函数

整个网络使用 ReLU 作为非线性激活函数。由于 Local Response Normalisation (LRN) 对网络无益，所以网络未使用。

• 结构

• 不计算偏置

2. ResNet

ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元。

变化主要体现在ResNet直接使用stride=2的卷积做下采样，并且用global average pool层替换了全连接层。

ResNet的一个重要设计原则是：当feature map大小降低一半时，feature map的数量增加一倍，这保持了网络层的复杂度。esNet相比普通网络每两层间增加了短路机制，这就形成了残差学习。

采用残差连接，可以构建非常深的网络结构，ResNet通过残差学习解决了深度网络的退化问题，让我们可以训练出更深的网络！

• 残差块结构
  

• 堆叠残差模块
• 每个残差模块有两个3x3 卷积层
• 网络的起始有一个额外的卷积层
• 网络中无全连接层，仅在最后有一个FC 1000用于预测类别
• 理论上，可以用多种尺寸的输入图像来训练

(最后一个卷积层之后，有一个全局平均池化层。网络中无全连接层，仅在最后用FC1000输出类别。)

• 《实际应用的深层神经网络模型分析》，2017年。
  

福利送书

【内容简介】
本书分为12章

主要包括学习人工智能原理、自然语言处理技术、掌握深度学习模型、NLP开源技术实战、Python神经网络计算实战、AI语音合成有声小说实战、玩转词向量、近义词查询系统实战、机器翻译系统实战、文本情感分析系统实战、电话销售语义分析系统实战人工智能辅助写作系统（独家专利技术解密）。

本书内容通俗易懂，案例丰富，实用性强，特别适合使用Python语言人工智能自然语言处理的入门和进阶的读者阅读，也适合产品经理、人工智能研究者等对人工智能自然语言处理感兴趣的读者阅读。

【评论区】和 【点赞区】 会抽一位粉丝送出这本书籍嗷~

当然如果没有中奖的话，可以到当当，京东北京大学出版社的自营店进行购买。

也可以关注我！不定期送一本书出去哒~