深度学习中常见的网络结构

随着深度学习的普及开来，设计一个网络结构变得越来越“简单”，如果一个新的网络只是简单的卷积、池化、全连接，改改其中的参数，那就大错特错了。所以网络在应用中，往往要面临的问题是：如何设计一个好的网络结构。

目前常见的网络结构：AlexNet、ZF、GoogLeNet、VGG、ResNet等等都可谓曾一战成名，它们都具有自身的特性，它们都提出了创新点。设计一个优秀网络的第一步是学习这些优秀的网络。

LeNet

是由Yann LeCun完成的具有开拓性的卷积神经网络，是大量网络结构的起点。网络给出了卷积网络的基本特性：

1.局部感知。人对外界的认知是从局部到全局的，相邻局部的像素联系较为紧密。每个神经元没必要对全局图像进行感知，只需要对局部进行感知，然后更高层将局部的信息综合起来得到全局的信息。

2.多层卷积。层数越高，学到的特征越全局化。

3.参数共享。每个卷积都是一种提取特征的方式，大大降低了参数的数目。

4.多卷积核。提取多类特征，更为丰富。

5.池化。降低向量维度，并避免过拟合。

特性1自然引出了特性2，特性3自然引出了特性4。

网络用于mnist手写体识别任务，网络结构用 Netscope 查看，常见网络：Quick Start — Netscope 。down

AlexNet

2012年，深度学习崛起的元年，Alex Krizhevsky 发表了Alexet，它是比LeNet更深更宽的版本，并以显著优势赢得了ImageNet竞赛。贡献有：

1.使用RELU作为激活单元。

2.使用Dropout选择性忽略单个神经元，避免过拟合。

3.选择最大池化，避免平均池化的平均化效果。

AlexNet是目前应用极为广泛的网络，结构讲解见：[caffe]深度学习之图像分类模型AlexNet解读_孙佰贵的专栏-CSDN博客_alexnet图像分类。 down

网络整体上给我们带来了三个结构模块：

1、单层卷积的结构：conv-relu-LRN-pool。前面的卷积步长大，快速降低featureMap的大小（较少后面的计算量），后面深层卷积保持featureMap大小不变。LRN的功能放在今天来看是无关痛痒的，并不是很强。

2、多层卷积的结构，网络更深，特征更抽象。

3、全连接的结构，drop避免过拟合。

CaffeNet

AlexNet网络的变体，网络结构的变动主要是调整了pool和norm的位置。 down

ZFNet

由 Matthew D Zeiler和Rob Fergus于2013年在“Visualizing and Understanding Convolutional Networks”论文中提出，属于AlexNet网络的变体。论文具有重要意义，阐述了卷积网络为什么有效，ZF网络是他们顺带提出来的。ZF在faster rcnn等应用中做为特征提取模块被广泛应用，一般来讲比AlexNet略优。

主要的改动是：减少第一层卷积的size和stride（11->7、4->2），提取更多的底层特征，增加第二层卷积的步长stride(1->2)。从而取得到了和AlexNei基本相同的感知野，featureMap的大小相同，后面的卷积计算量也保持不变。

VGG

VGG-16又称为OxfordNet，是由牛津视觉几何组（Visual Geometry Group）开发的卷积神经网络结构。该网络赢得了ILSVR（ImageNet）2014的冠军。时至今日，VGG仍然被认为是一个杰出的视觉模型——尽管它的性能实际上已经被后来的Inception和ResNet超过了。

网络结构：Netscope

我们就看D(VGG16)和E(VGG19)好了。因为前面的网络效果没有D和E的效果好，而且比起D和E来讲不够简洁。

VGG是把网络分为5组（模仿AlexNet的五层），然而它使用了3*3的过滤器，并把它们组合起来作为一个卷积序列进行处理。特征：

1.网络更深DCNN，channel数目更大。

2.采用多个3*3的卷积，模仿出更大的感受野的效果。这些思想也被用在了后续的网络架构中，如 Inception 与 ResNet。

NIN

NIN中的MLPconv是对conv+relu的改进，conv+relu构建的是一个广义线性模型。举例子解释：假设现在有一个3x3的输入，用一个9维的向量x代表，卷积核大小也是3x3，也9维的向量w代表。

1.对于常规卷积层，直接x和w求卷积，然后relu一下就好了。
2.maxout，有k个的3x3的w（这里的k是自由设定的），分别卷积得到k个1x1的输出，然后对这k个输入求最大值
3.NIN，有k个3x3的w（这里的k也是自由设定的），分别卷积得到k个1x1的输出，然后对它们都进行relu，然后再次对它们进行卷积，结果再relu。（这个过程，等效于一个1*1的卷积网络）

maxout想表明它能够拟合任何凸函数，也就能够拟合任何的激活函数；NIN想表明它不仅能够拟合任何凸函数，而且能够拟合任何函数。

使用多层感知机这种微网络结构后，可以抽象出更好的局部特征，增加局部模型的表达能力。基于MLPconv，在最后类别输出时可以不采用全连接操作，而是将特征图和类别之间建立一致性，采用全局平均池化的方法，每个特征图的平均值即为每个类别的置信度。

例如：一共有100类，那么在最后一层的输出feature map则为100，计算这100张feature map的平均值，作为这100类的置信度。

NIN的优点：

1.更好的局部抽象能力，这是MLPconv带来的。
2.全局平均池化，不需要全连接的参数优化，避免过拟合。
3.参数更少，模型更小。

网络结构见：Netscope

GoogLeNet

Christian Szegedy开始追求减少深度神经网络的计算开销，并于2014年设计出 GoogLeNet——第一个 Inception 架构。

“Going Deeper with Convolutions”中google提出了Inception模块：

受NIN的启发，Inception的思路是减少每一层的特征过滤器的数目，从而减少运算量。用 1*1的卷积块在昂贵的并行模块之前减少特征的数量，比 AlexNet 与 VGG 的分类器的运算数量少得多。这种做法一般称为瓶颈层（Bottleneck）。

而且，尽管我们做了更好的运算，我们在此层也没有损失其通用性（generality）。事实证明瓶颈层在 ImageNet 这样的数据集上已经表现出了顶尖水平，而且它也被用于接下来介绍的 ResNet 这样的架构中。

它之所以成功是因为输入特征是相关联的，因此可通过将它们与 1×1 卷积适当结合来减少冗余。然后，在小数量的特征进行卷积之后，它们能在下一层被再次扩展成有意义的结合。down

Inception

Christian 和他的团队都是非常高产的研究人员。2015 年 2 月，Batch-normalized Inception 被引入作为 Inception V2（论文：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift）。Batch-normalization 在一层的输出上计算所有特征映射的均值和标准差，并且使用这些值规范化它们的响应。因此使得所有神经图（neural maps）在同样范围有响应，而且是零均值，这有助于训练，还能重点关注如何最好的结合这些特征。

2015 年 12 月，该团队发布 Inception 模块和类似架构的一个新版本V3（论文：Rethinking the Inception Architecture for Computer Vision）。该论文更好地解释了原始的 GoogLeNet 架构，在设计选择上给出了更多的细节。

1.通过谨慎建筑网络，平衡深度与宽度，从而最大化进入网络的信息流。
2.当深度增加时，网络层的深度或者特征的数量也系统性的增加。使用每一层深度增加在下一层之前增加特征的结合。
3.只使用 3×3 的卷积，可能的情况下给定的 5×5 和 7×7 过滤器能分成多个 3×3。新的Inception结构为：

也可以通过将卷积平整进更多复杂的模块中而分拆过滤器：将3*3拆分为3*1和1*3的两个过滤器。在进行 inception 计算的同时，Inception 模块也能通过提供池化降低数据的大小。

ResNet

2015 年 12 月又出现了新的变革，这和 Inception V3 出现的时间一样。ResNet 有着简单的思路：供给两个连续卷积层的输出，并分流（bypassing）输入进入下一层（论文：Deep Residual Learning for Image Recognition），在imagenet2015夺得冠军。

计算机视觉领域，特征随着网络加深而愈加抽象，而且深层网络也会带来梯度弥散/爆炸等问题。而且在实践中，深层网络（很深）的性能会劣于浅层网络，这反映了一个事实：非线性网络无法逼近恒等映射网络（y=x）。所以我们转而去学习恒等映射的扰动。

ResNet要学习的便是残差函数： F(x)=H(x)-x ,残差块的结构是: