AI基础实战营Day2

摘要

本节课主讲王若晖，主要讲了视觉任务中骨干网络结构、训练方式，并简单介绍了MMClassification。

视觉骨干网络

卷积类

AlexNet(2012)

第一个成功实现大规模图像的模型，在 ImageNet 数据集上达到 ~85% 的 top-5 准确率

5 个卷积层，3 个全连接层，共有 60M 个可学习参数

使用 ReLU 激活函数，大幅提高收敛速度

实现并开源了 cuda-convnet ，在 GPU 上训练大规模神经网络在工程上成为可能

VGG(2013)

将大尺寸的卷积拆解为多层 3×3 的卷积 3×3 卷积配合 1 像素的边界填充，维持空间分辨率 每隔几层倍增通道数、减半分辨率，生成 1/2、1/4 尺度的更高抽象层级的特征 网络层数：11、13、16、19 层 VGG-19 ImageNet Top-5 准确率：92.7%

GoogLeNet (Inception v1, 2014)

使用 Inception 模块堆叠形成， 22 个可学习层 最后的分类仅使用单层全连接层，可节省大量参数 仅 7M 权重参数（AlexNet 60M、VGG 138M） ImageNet Top-5 准确率：93.4%

ResNet(2015)

以 VGG 为基础 保持多级结构、增加层数 使用残差模块 全局平均池化压缩空间维度 单层全连接层产生类别概率

ResNet-34 34层 ImageNet Top-5 准确率：94.4%

其他基于ResNet的模型

NAS类

神经结构搜索 Neural Architecture Search (2016+)

基本思路：借助强化学习等方法搜索表现最佳的网络 代表工作：NASNet (2017)、MnasNet (2018)、EfficientNet (2019) 、RegNet (2020) 等

Transformer类

Vit

将图像切分成若干 16×16 的小块，当作一列"词向量"，经多层 Transformer Encoder 变换产生特征 图块之外加入额外的 token，用于 query 其他 patch 的特征并给出最后分类 注意力模块基于全局感受野，复杂度为尺寸的 4 次方

SwinTransformer

Swin Transformer 提出了分层结构 （金字塔结构）Hierarchical Transformer Swin Transformer 将特征图划分成了多个不相交的区域 （Window），将 Multi-Head Self-Attention 计算 限制在窗口内 Swin Transformer 又提出了 Shifted Windows Multi-Head Self-Attention (SW-MSA) 的概念，即第 + 1 层的窗 口分别向右侧和下方各偏移了半个窗口的位置

模型训练

训练范式

损失函数于随机梯度下降

损失函数值越大说明模型越偏离目标模型，随机采样部分数据，计算损失，反向求损失关于参数的偏导，偏导向量是损失增加最快的反向，所以新的参数为原参数减去偏导乘以学习率，学习率是更新的“步长”。当然进一步加工学习率和偏导，就是使用优化策列。这样随机采样的方式是随机梯度下降。

一般而言batch size只会影响训练收敛速度，而不会影响训练结果。

优化器和学习率策列

MMClassification