Paper/ Overview | CNN（未完待续）

目录

• I. 基础知识
• II. 早期尝试
  • 1. Neocognitron, 1980
  • 2. LeCun, 1989
    • A. 概况
    • B. Feature maps & Weight sharing
    • C. 网络设计
    • D. 实验
  • 3. LeNet, 1998
• III. 历史性突破：AlexNet, 2012
  • 1. Historic
  • 2. 困难之处
  • 3. 选择CNN
  • 4. 本文贡献
  • 5. 网络设计
    • A. ReLU
    • B. Training on Multiple GPUs
    • C. Local Response Normalization
    • D. Overlapping Pooling
  • 6. 抑制过拟合设计
    • A. Data Augmentation
    • B. Dropout
  • 7. 讨论
• IV. 网络加深
  • 1. VGG Net, 2014
  • 2. MSRA-Net, 2015
    • A. 背景
    • B. 实验方法
    • C. 实验设计
    • D. 实验结果

I. 基础知识

在对CNN进行概览之前，请先务必清楚以下问题：

机器学习基础知识：

1. 什么是“全连接”？
2. 前向传播和反向传播各自的作用是？为什么需要反向传播？
3. 什么是感知机？其致命缺陷是什么？
4. 常见的激活函数有哪些？“激活”了什么特性？（非线性，最直接解决了亦或问题）

深度学习基础知识：

1. 常见的损失函数有哪些？最好能知道是怎么得到的（比如由最大似然推出）。
2. 常见的优化方法有哪些？利弊如何？
3. 抑制过拟合最简单的方法是什么？
4. 什么是泛化能力？
5. Dropout目的？如何实现？测试阶段需要用吗？
6. 什么是梯度消失？有哪些解决方式？（RNN→LSTM，sigmoid、tanh→ReLU，Batch Normalization，GoogLeNet中的辅助损失函数等）
7. Batch Normalization目的？如何实现？
8. 什么是梯度爆炸？有哪些解决方式？

CNN基础知识：

1. 离散卷积怎么实现？
2. 假设有一个单通道28x28的图片，使用尺寸为5x5，步长为1的3个卷积核（滤波器），则卷积层尺寸为？（3x24x24）
3. 相比于全连接网络，CNN的两大创新点是什么，使得它易于训练，又能学习到较高级的特征？（稀疏连接和参数共享）
4. 什么是感受野？层数越大，该层单元的感受野会越大吗？
5. 什么是转置卷积？（参见我的博客及其参考链接）
6. 什么是池化？参数共享和最大池化，分别为CNN引入了什么特性？
   （平移等变性和平移不变性。如果是分离参数的卷积输出的池化，那么会引入多种特征的不变性，比如旋转不变性）

以下内容的提纲，参考中科院PPT：《CNN近期进展与实用技巧》。
而具体内容，为笔者阅读论文后的学习总结。

II. 早期尝试

CNN的演化脉络：

1. Neocognitron, 1980

1959年Hubel等人提了对视觉皮层的功能划分：

受此启发，1980年，Kunihiko Fukushima提出了Neocognitron，可用于手写数字识别等模式识别任务。

Paper: Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position

创新点：Neocognitron使用了两种细胞：simple cell和complex cell，并且让二者级联工作。
前者直接提取特征，后者处理特征的畸变，比如平移等，使Neocognitron具有平移不变性。

2. LeCun, 1989

A. 概况

Yann Le Cun是第一个在计算机视觉领域（手写邮政编码识别问题）使用CNN的人。

Paper: Backpropagation Applied to Handwritten Zip Code Recognition

我们知道，引入先验知识，也就是引入限制，可以增强网络的泛化能力。
那么，我们应该如何引入呢？
LeCun认为，引入先验最基本的原则（方法）是：在保证计算能力不变的情况下，尽可能减少冗余参数。
该原则的解释是：一可以减小 entropy ，二可以减小 VC 维数，因此可以增强泛化能力。

个人理解：对同一个问题，如果参数较多，要么是问题比较复杂，要么是先验知识不够，假设空间大。
如果在保证 computational power 不下降的情况下，尽可能减少参数，也就等同于引入了尽可能多的先验知识，缩小了假设空间。

现在的问题就是：如何实现这一点？
LeCun将要说明：我们可以通过构造特殊的 network architecture ，来实现这一点。

B. Feature maps & Weight sharing

与之前识别工作的最显著不同之处在于：

• 该网络是端到端的，即直接利用 low-level information ，而不是从 feature vectors 开始。
• 网络中所有的连接都是自适应的，而之前的工作中前几层的连接参数是手动选择的。

具体设计：

首先网络继承了特征提取的方式：
提取 local features ，整合在一起，然后再形成 higher order features 。
其优势在前人工作中已被证实。

一个目标的特征有很多而且各不相同，因此我们应该：
用 a set of feature detectors 来检测这些特征。

一个相同的特征可能出现在各个位置，因此：
我们可以采用 Rumelhart 等人在1986年提出的 weight sharing 方法，在较小的计算代价下，在各个位置上检测出该特征。

综合上述两点，第一个隐藏层应该是一个 feature maps ，每一个 plane 内部共享参数、表示一种特征。
由于某特征的具体位置信息不那么重要，因此该层可以比输入层小。

C. 网络设计

D. 实验

1. 非线性激活单元采用 scaled hyperbolic tangent Symmetric functions ，收敛更快。但在函数输入值特别大或特别小时，学习也会很慢。
2. 损失函数为MSE。
3. 输出单元采用 sigmoid ，保证loss不会过大（梯度也会很大）。
4. 目标输出要求在 sigmoid 的拟线性区，保证梯度不会产生于 sigmoid 的平坦区域。
5. 在一个小范围内随机初始化，目的同上。
6. 随机梯度下降，收敛更快。
7. 拟牛顿法调节学习率，让下降更可靠。

最终效果：在数字识别领域当然是 state of the art ～

3. LeNet, 1998

这篇文章是引用过万的综述性文章，对当时手写数字识别的方法做了概述。

Paper: Gradient-based learning applied to document recognition

文章中提到了许多有意思的历史：

在过去，特征提取是重中之重，甚至会被整体手工设计。
原因是，过去分类器的分类任务比较简单，类别差距大，因此假设空间比较小。
因此，分类器的准确性很大程度上取决于该低维空间的拟合程度，特征提取就显得尤为关键。

但时过境迁，随着计算机性能提升、数据库日益扩大和越来越棒的深度学习技术的出现，设计者不再需要仔细设计特征提取器，而可以更依赖于真实数据，并且构造出足够复杂的假设。

该综述长达46页，我们重点说一下CNN的经典构架：LeNet-5。

LeNet-5有7层：

1. 输入层，尺寸大于任何一个字母，以保证每个字母都会出现在第七层单元的感受野的中心。
2. 中间五层分别是：卷积层→降采样层→卷积层→降采样层→卷积层。
3. 第一个卷积层使用了六种滤波器，因此具有六个通道的 feature maps 。
4. 第二个卷积层上升到16个通道。每一个通道与前6个通道的关系都不一样，见上图，目的是破坏对称性，迫使每个通道学习不同的特征（理想情况是互补特征）。
5. 在全连接层，特征进行内积和非线性激活。
6. 最后是输出层，10种数字对应10个输出单元，分别计算输出向量和该分类参考向量的欧式距离。
   参数要么是+1要么是-1，主要是因为输出向量的每一个元素都用sigmoid归一化，其值域就是[-1,+1]。
   比如，[1 -1...-1]和[1 -1...-1]距离是0，[-1 1 -1...-1]和[1 -1...-1]距离是8。

在统计学上，如果真实概率模型是高斯分布，那么对于线性回归，最大化关于w的对数似然，和最小化MSE是等价的。
而输出层就是一个线性回归问题，并且我们可以假设简单先验为高斯分布。具体参见《DEEP LEARNING》。

那么为什么不用0-9这十个数字来分类呢？
一是上述理由阐述了 distributed codes 在衡量距离时的合理性；
二是实验证明，当类别较多时，这种 place code 效果非常差。因为只让大多数输出为0，只有1个输出非0是很困难的；
三是如果输入的不是字符，place code 更难拒绝判断。

III. 历史性突破：AlexNet, 2012

1. Historic

AlexNet competed in the ImageNet Large Scale Visual Recognition Challenge in 2012.
The network achieved a top-5 error of 15.3%, more than 10.8 percentage points lower than that of the runner up.
因此，AlexNet引爆了深度学习的热潮，我们称之为历史性突破。

Paper: ImageNet classification with deep convolutional neural networks

2. 困难之处

AlexNet解决的最直接问题，就是 ImageNet 图像分类问题，训练集高清图片容量达到120万，类别达1000种；神经网络参数达到6000万个，神经元达65万个，问题复杂度可想而知。
训练如此大规模的网络，显然是困难的。

本文在开头也说明了问题的复杂性：即便是 ImageNet 这样庞大的数据集，也无法 specify 这一复杂的问题。

也就是说，假设空间有很大的未知区域。

因此，我们需要许多先验知识，来补偿那些训练集中没有的数据。

3. 选择CNN

CNN 是理想的模型，因为它通常能为天然图片（测试图片）带来强大而正确的假设，即统计稳定性（平移不变性）和像素的位置依赖性（也就是二者兼顾的意思）。

最重要的是，它的计算成本相对较低。

4. 本文贡献

本文主要贡献有：

1. 提出的网络结构，在图像分类比赛中达到了惊人的效果。
2. 编写了高度优化的 GPU 2D 卷积实现，并已公开。但该实现偏硬件，新手建议从caffe入手。
3. 采取了许多抑制过拟合的措施；虽然数据库很大，但是参数也很多，过拟合很严重。
4. 该网络只包含5个卷积层，参数量只占了不到5%，但缺一不可（效果会变差）；发现深度很重要。
5. 当前的工作仅仅受到硬件水平的限制，还有很大的发展空间。

5. 网络设计

根据重要性依次排序，该网络有以下创新：

A. ReLU

之前使用的 tanh 和 sigmoid 激活函数都存在饱和区。
改用无饱和的 ReLU ，收敛速度可以达到数倍于 tanh ！

实验：同一个4层卷积网络，要求在 CIFAR-10 上达到25%准确率，分别测试 ReLU （实线）和 tanh （虚线），如图。

B. Training on Multiple GPUs

2个 GPU 协同，最直接的作用是加快了训练速度。
作者尝试将网络改为单GPU，同时保证参数数量不变，速度略逊于双 GPUs 。

其次，这两个 GPU 实际上是有交互的。与独立工作相比，交互将准确率提高了1.2%以上。

最后，当时的 GPU 性能不够强大，显存只有3GB。
这种协同的思想可以将大任务分解为多个小任务执行。

C. Local Response Normalization

在真实神经元中，存在一种侧边抑制效应 lateral inhibition 。
简单来说，就是在一个小区域内，如果有一个神经元被激活，那么其附近的神经元会相对受到抑制。

换句话说，这是一种促进神经元局部竞争的机制。但这一点其实有点牵强。

受此启发，AlexNet 在某些层的非线性激活以后采用 Local Response Normalization ，公式如图：

ReLU 的原始输出就是 \(\alpha_{x,y}^i\) ，位于第 \(i\) 个核的 \((x,y)\) 位置。
抑制是在不同核之间发生的，如图，在当前核的左右共 \(n\) 个通道上进行，核序号不要超过上限 \(N\) 和下限 \(0\) 。
显然，如果邻域内存在较大的 \(\alpha_{x,y}^j\) 而自身很小，那么除后将会小的可怜；如果反之，那么影响不大。
这样就拉开了“贫富差距”。

作者说明，该 trick 使得准确率提高了1.2%以上。

但据各路大神反馈，该 trick 基本无效。

D. Overlapping Pooling

实验证明，重叠池化可以更好地抑制过拟合，使准确率提高约0.4%和0.3%。

6. 抑制过拟合设计

A. Data Augmentation

最简单的抑制过拟合技术，就是 label-preserving transformations 。
简单来说，就是让图像进行各种不影响目标本质的变换，扩大数据量。

该网络采用的是简单的变换，不需要存储，并且用 CPU 即可实现，不影响正在计算上一个 batch 的 GPU 。

1. 镜像对称变换；
2. 图像光照强度和色彩变换。

第二点具体而言：

• 先提取 RGB 三通道分量；
• 对每一个通道分别进行主成分分析，提取出主成分；
• 然后再进行三通道的随机系数线性组合。

个人认为，先主成分分析可以减少数据量吧～

以上方案在抑制过拟合的同时，让准确率提升了至少1%。

B. Dropout

如果我们有多个不同的模型合作进行预测，那么泛化误差将会有效降低。
问题是，训练多个模型的计算成本很高昂。

Dropout 为我们提供了新思路：让这些模型分享相同的权重系数，但神经元的输出结果不尽相同。
这样，我们就相当于得到了许多模型。

具体而言，是让 hidden neuron 的输出有50%的概率被置零。
这样，每次反向传播时，参考的 loss 都是由不同模型计算得到的。

总的来说，Dropout 技术打破了神经元之间的依赖性，强迫网络学习更鲁棒的神经元连接。

我们只在全连接层使用，因为全连接层的连接非常多。
在测试阶段不采用 Dropout 。

Dropout 会延长收敛时间，但能有效抑制过拟合。

7. 讨论

作者发现，去掉网络中任意一个中间层，都会让整体表现下降2%左右。因此深度非常重要。

为了简化计算，作者并没有采用无监督的 pre-training 。
尽管 pre-training 可能可以在不提高数据量的同时，提升网络性能。

最后，深层次网络可以用于视频，以利用时间相关性。

IV. 网络加深

1. VGG Net, 2014

VGG 的深度是前所未有的，卷积层达到10个，全连接层有3个。
VGG 获得了 ImageNet2014 的分类赛冠军和定位赛亚军，并且泛化能力非常好。

Paper: Very deep convolutional networks for large-scale image recognition

重要贡献：探究了深度和滤波器尺寸的权衡问题，发现深度远比滤波器尺寸重要。
为了探究这一问题，滤波器尺寸固定为3x3，网络深度逐渐加深，同时进行实验。

为了保证客观，VGG Net 沿用了 AlexNet 的配置（ReLU等），但放弃了 LRN ，并且认为该 trick 不仅无效而且冗余。

下表是实验的几种配置，从左到右深度递增，对比效果：

下表可以看到，不仅深度越深效果更好，而且多尺度训练的效果也更好：

下表是当时各种网络的测试结果对比：

2. MSRA-Net, 2015

Paper: Convolutional neural networks at constrained time cost

A. 背景

时间成本控制很重要，特别是处理在线实时任务，多用户请求，移动终端处理等时。
这篇文章的重点就是时间成本控制。作者提到：

Most of the recent advanced CNNs are more timeconsuming than Krizhevsky et al.’s [14] original architecture in both training and testing.
The increased computational cost can be attributed to the increased width1 (numbers of filters) [21, 24, 1], depth (number of layers) [22, 23], smaller strides [21, 24, 22], and their combinations.

B. 实验方法

在实验中，时间成本是一个固定指标。时间成本用以下公式衡量：
\[
O(\sum_{l=1}^d n_{l-1} \cdot s_l^2 \cdot n_l \cdot m_l^2)
\]
四个参数分别代表：上一卷积层的滤波器个数，当前层滤波器尺寸，当前层滤波器个数和当前层 feature map 尺寸。
熟悉 CNN 的同学应该能理解这个公式：

• 输出 feature map 一共有 \(n_l\) 个通道，每一个通道有 \(m_l^2\) 个元素，因此输出一共有 \(n_l \cdot m_l^2\) 个元素；
• 每一个输出元素，和输入 feature map 的每一个卷积结果都有关；
• 而卷积发生在输入 feature map 的每一层，每一层卷积都只和同一个尺寸为 \(s_l\) 的滤波器有关。如果只考虑时间（大致是并行进行的），那么就是 \(n_{l-1} \cdot s_l^2\)。

在时间成本不变的条件下，我们调整滤波器尺寸、网络深度、滤波器个数（ feature map 宽度）这三个关键参数，来判断哪个参数对网络性能更重要，从而在简化网络时着重保留。

与前人工作的不同之处主要有：

1. 前人是固定总参数数目，这里是固定时间成本。
2. 这里只研究卷积层。虽然全连接层和池化层参数占比最大，但是时间消耗通常只有 5-10% 。
3. 通篇都是根据这个理论公式来计算权衡的，因为实际消耗时间和硬件等有关，不好限制，并且这个公式和实际情况也基本符合。
4. 只研究 single-path 和 non-recursive 。

C. 实验设计

下表是实验中的网络配置情况和性能表现。
A是原始网络，采用的是最基本最普适的配置。

下面几张图片是图解：

通过理论公式计算，这些网络的时间复杂度都是一致的。

实验通过改变池化步长，来改变 feature map 的尺寸。

D. 实验结果

本文实验获得了以下几个重要结论：

1. 网络深度是保证准确率的核心指标，比其余参数都重要，应该在 trade off 中倾斜考虑。
   这个结论并非简单直接得到的，因为其他文章仅仅是堆叠更多层，但这篇文章是做了一个 trade off 来控制一定的时间成本。
2. 当网络深度过度增加时，网络会存在退化现象，哪怕没有 trade off 也是如此。
   经过分析，该现象并非是过拟合导致的，因为训练误差也特别大。
   该现象为何凯明 ResNet 的创新埋下了伏笔。
3. feature map 的宽度比尺寸重要。
4. 我们通常在池化层就完成了降采样。实验发现，如果我们改为在卷积层中采用大步长，那么效果会更好。

最直接的效果是，作者仅用 AlexNet 40% 的复杂度，GPU 速度快20%，就实现了高4.2%的分类准确率。