CS231n lecture 9：各大经典网络 AlexNet/VGG/GoogleNet/ResNet（上）

本文翻译总结自CS231n Lecture 9。

本篇将深入介绍当前的应用和研究工作中最火的几个CNN网络架构——AlexNet、VGGNet、GoogleNet和ResNet，它们都在ImageNet分类任务中有很好的表现。另外，本篇也会粗略介绍一些其他的架构。

LeNet-5回顾

我们先来回顾一下最基本的LeNet，它可以说是首个效果比较好的CNN。它使用了5x5的卷积核，stride为1。池化层卷积核是2x2的，stride为2。最后还有几个全连接层。网络结构很简单也很容易理解。

AlexNet

接下来讲的是AlexNet，它是第一个在ImageNet分类上表现不错的大规模的CNN，在2012年一举碾压其他方法获得冠军，于是开启了一个新的时代。

它的基本架构组成如下图，它是由若干卷积层、池化层、归一化层和全连接层组成的。左边方括号里的内容为数据的形状，右边有卷积核的详细参数。总体来说AlexNet和LeNet很像，只不过网络层数大大增加。

整个网络架构可视化出来是这样的（输入层的224x224应为227x227）：

下面总结一下这个网络的一些特点和小细节：

1. 它是第一个使用ReLU的网络；
2. 它使用了局部响应归一化层（Local Response Normalization Layers, LRN），了解LRN可以看这里和这里。不过要注意，这种层现在已经不常用了，因为研究发现它的作用不是很大；
3. 它使用了很多数据增广（data augmentation）技术，比如翻转（flipping）、PCA Jittering、随机裁切（cropping）、颜色归一化（color normalization）等等；
4. 使用了0.5的dropout；
5. batch size为128；
6. SGD Momentum为0.9；
7. 学习率为0.01，每次loss不降的时候手动除以10，直到最后收敛；
8. L2 weight decay为5e-4；
9. 使用7个CNN ensemble（多次训练模型取均值），效果提升为18.2% → \rightarrow → 15.4%。

另外提一句，从上面的架构图中，CONV1层的的96个kernel分成了两组，每组48个，这主要是历史原因，当时用的GPU显存不够用，用了两块GPU。CONV1、CONV2、CONV4和CONV5在每块GPU上只利用了所在层一半的feature map，而CONV3、FC6、FC7和FC8则使用了所在层全部的feature map。

AlexNet是第一个使用CNN架构在ImageNet Large Scale Visual Recognition Challenge（ILSVRC）上取得冠军的网络，它能力挺不错，不过后面讲到的一些网络架构更加优秀，也是在我们实际应用中可以优先考虑使用的。

ZFNet赢得了2013年ILSVRC的冠军，它所做的是对AlexNet的超参数进行了一些改进，网络架构没什么太大变化。但在2014年，有两个新的很厉害的网络架构被提出来——VGGNet和GoogleNet。它们与之前网络的主要差异在于网络深度大大增加，相比于AlexNet的8层，它们分别有19层和22层。下面我们分别具体讲一下两个网络。

VGG

VGG主要有两点改进：

1. 显著增加了网络层数（16层到19层）
2. 大大减小了kernel size，使用的是3x3 CONV stride 1 padding 1和2x2 MAX POOL stride 2这样的filter。

VGG和AlexNet的对比如下：

加深网络很好理解，但为什么要缩小filter到3x3呢？我们来小小地计算一下：
当使用一个7x7的filter时，它的感受野是7x7的。但如果我们使用三个3x3的filter来替换这一个7x7的filter呢？
从输入经过第一个3x3 filter，感受野为3x3，第一个filter的输出再经过第二个3x3 filter，感受野为5x5（三个3x3的相邻的区域综合起来是5x5），经过第三个filter之后，感受野为7x7。这样，经过替代后，在感受野不变的情况下：

• 网络更深了，大大增加了网络的非线性能力；
• 网络参数变少了： 3 × ( 3 2 C i n C o u t ) &lt; 7 2 C i n C o u t 3 \times (3^2 C_{in}C_{out}) &lt; 7^2 C_{in}C_{out} 3×(32Cin​Cout​)<72Cin​Cout​，其中 C i n C_{in} Cin​、 C o u t C_{out} Cout​为分别为输入、输出的feature map数。

VGG16的具体参数如下：

可以看到，每张图片forward的过程中需要占用约100M的内存，这确实是个很大的数字。另外138M的参数量，也比AlexNet的60M多出不少。其中占用内存大的主要是最前面的卷积层（因为网络前面部分数据量还比较大）和全连接层（之后我们可以看到一些架构通过去掉全连接层来节省内存）。

下面总结一下这个网络的一些特点和小细节：

1. 它赢得了ILSVRC’14的冠军；
2. 它使用了和AlexNet类似的训练方法；
3. 它没有使用AlexNet中用的LRN层（因为实验发现LRN用处不大）；
4. 它分为VGG16和VGG19（其中VGG19只是多了三层，效果稍好一些，占用内存也更多）。实际使用中VGG16用的更多；
5. 为了提升效果使用了ensemble（多次训练模型，最后取均值）；
6. FC7中得到的feature map（也就是一个1x4096的向量）提取出了很好的feature，可以用来做其他任务。

接下来讲一下同样在2014年提出的网络GoogleNet。

GoogleNet

GoogleNet是ILSVRC’14中的分类冠军，它除了使用更深的网络（22层），还有一个更大的亮点——注重计算效率（Computational Efficiency）。GoogleNet中没有使用全连接层，这大大减少了参数量。此外，它还使用了“Inception模块”（后面详细讲）。这样一来，整个网络只需要5M的参数量，仅仅是AlexNet的十二分之一！

现在讲一下这个神奇的“Inception模块”。它的主要思想是设计一种效果好的局部网络拓扑结构（local network topology），也就是在网络中嵌套网络，最后把这些网络堆叠成一个网络，示意图大概是这样的：

举个Inception模块的最naive的栗子（见下图），输入被分别送到不同kernel size的卷积核中（1x1,3x3,5x5），另外还加了一个池化。各部分分别产生输出之后，再把它们连成一个整体作为输出。

但是直接这样做会有问题，把各部分输出联系来之后，feature map的数量成数倍的增长。我们的解决方案是引入“bottleneck”层，这种层使用1x1的卷积层，不过使用的filter数目更少，也就是说减少了feature map的数量，新的架构举例如下图：

注意图中的红色部分，它们将256个feature map减少到了64个，也就大大降低了参数量。改进后的Inception模块只需要358M次操作（之前需要854M次）。

在GoogleNet中，网络的开头部分是一个主干形的stem network，这个部分和之前AlexNet和VGG中的差不多，是卷积池化之类的层的叠加（见下图蓝框）。之后把上面说的Inception模块串到了一起，最后加上用于分类的层形（注意没有全连接层）成了整个网络。

其中需要注意下图中框出来的部分，它们和网络的最后做了类似的工作，也输出了分类标签。最终使用三处输出一起计算loss。这样做的原因是网络层数很多，中间的结果也很有用。此外中间的这两处输出也会计算梯度，这有助于缓解这种层数很多的网络中的梯度消失的问题。

到这里，整个网络我们就介绍完啦，总体来说，网络之所以这样设计、之所以效果这么好有两方面原因。一是前面提到的Inception Model很有用。此外还有一个重要原因，就是Google财大气粗有钱任性，可以用大量的机器验证各种各样奇奇怪怪的网络架构，最后挑选出效果好的就行了（有钱真好.jpg）。

接下来我们的目光转向2015年的冠军——ResNet，具体请看下一篇文章~