九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

作者 | 李?。ㄎ⑿盘枺簂ijian05170517）

編輯 | 言有三

      LeNet5【1】有3個卷積層，2個池化層，2個全連接層。卷積層的卷積核都為5*5，stride=1，池化層都為Max pooling，激活函數(shù)為Sigmoid，具體網(wǎng)絡(luò)結(jié)構(gòu)如下圖：

下面我們詳細解讀一下網(wǎng)絡(luò)結(jié)構(gòu)，先約定一些稱呼。

我們先約定一些叫法，比如featuremap為28*28*6，卷積參數(shù)大小為(5*5*1)*6。其中28*28是featuremap的高度，寬度，6是featuremap的通道數(shù)。(5*5*1)*6卷積核表示5*5的高度，寬度，通道數(shù)為1的卷積核有6個。你可以把(5*5*1)想象成一個厚度為1，長度，寬度各為5的卷積塊，以下依此類推。

1.Input

   輸入圖像統(tǒng)一歸一化為32*32。

2.C1卷積層

   經(jīng)過(5*5*1)*6卷積核，stride=1, 生成featuremap為28*28*6。

3.S2池化層

   經(jīng)過(2*2)采樣核，stride=2，生成featuremap為14*14*6。

4.C3卷積層

   經(jīng)過(5*5*6)*16卷積核，stride=1，生成featuremap為10*10*16。

5.S4池化層

    經(jīng)過(2*2)采樣核，stride=2，生成featuremap為5*5*16。

6.C5卷積層    

   經(jīng)過(5*5*16)*120卷積核，stride=1， 生成featuremap為1*1*120。

7.F6全連接層

   輸入為1*1*120，輸出為1*1*84，總參數(shù)量為120*84。

8.Output全連接層 。  

   輸入為1*1*84，輸出為1*1*10，總參數(shù)量為84*10。10就是分類的類別數(shù)。

2012年，Imagenet比賽冠軍—Alexnet （以第一作者Alex命名）【2】直接刷新了ImageNet的識別率，奠定了深度學(xué)習(xí)在圖像識別領(lǐng)域的優(yōu)勢地位。網(wǎng)絡(luò)結(jié)構(gòu)如下圖：

1.Input

   輸入圖像為224*224*3。

2.Conv1

   經(jīng)過(11*11*3)*96卷積核，stride=4， (224-11)/4+2=55，生成featuremap為55*55*96。

3.Pool1

   經(jīng)過3*3的池化核，stride=2，(55-3)/2+1=27，生成featuremap為27*27*96。

4.Norm1

   local_size=5，生成featuremap為27*27*96。

5.Conv2

   經(jīng)過(5*5*96)*256的卷積核，pad=2，group=2，(27+2*2-5)/1+1=27，生成featuremap為27*27*256。

6.Pool2

   經(jīng)過3*3的池化核，stride=2，(27-3)/2+1=13，生成featuremap為13*13*256。

7.Norm2

   local_size=5, 生成featuremap為13*13*256。

8.Conv3

   經(jīng)過(3*3*256)*384卷積核，pad=1， (13+1*2-3)/1+1=13，生成featuremap為13*13*384。

9.Conv4

   經(jīng)過(3*3*384)*384卷積核，pad=1，(13+1*2-3)/1+1=13，生成featuremap為13*13*384。

10.Conv5

     經(jīng)過(3*3*384)*256卷積核，pad=1，(13+1*2-3)/1+1=13，生成featuremap為13*13*256。

11.Pool5

     經(jīng)過(3*3)的池化核，stride=2，(13-3)/2+1=6，生成featuremap為6*6*256。

12.Fc6

     輸入為(6*6*256)*4096全連接，生成featuremap為1*1*4096。

13.Dropout6

     在訓(xùn)練的時候以1/2概率使得隱藏層的某些神經(jīng)元的輸出為0，這樣就丟掉了一半節(jié)點的輸出，BP的時候也不更新這些節(jié)點，以下Droupout同理。

14.Fc7

     輸入為1*1*4096，輸出為1*1*4096，總參數(shù)量為4096*4096。

15.Dropout7

     生成featuremap為1*1*4096。

16.Fc8

     輸入為1*1*4096，輸出為1000，總參數(shù)量為4096*1000。

總結(jié)：

1.網(wǎng)絡(luò)比LeNet更深，包括5個卷積層和3個全連接層。

2.使用relu激活函數(shù)，收斂很快，解決了Sigmoid在網(wǎng)絡(luò)較深時出現(xiàn)的梯度彌散問題。

3.加入了dropout層，防止過擬合。

4.使用了LRN歸一化層，對局部神經(jīng)元的活動創(chuàng)建競爭機制，抑制反饋較小的神經(jīng)元放大反應(yīng)大的神經(jīng)元，增強了模型的泛化能力。

5.使用裁剪翻轉(zhuǎn)等操作做數(shù)據(jù)增強，增強了模型的泛化能力。預(yù)測時使用提取圖片四個角加中間五個位置并進行左右翻轉(zhuǎn)一共十幅圖片的方法求取平均值，這也是后面刷比賽的基本使用技巧。

6.分塊訓(xùn)練，當年的GPU沒有這么強大，Alexnet創(chuàng)新地將圖像分為上下兩塊分別訓(xùn)練，然后在全連接層合并在一起。

7.總體的數(shù)據(jù)參數(shù)大概為240M。

VGGNet【3】主要的貢獻是利用帶有很小卷積核（3*3）的網(wǎng)絡(luò)結(jié)構(gòu)對逐漸加深的網(wǎng)絡(luò)進行評估，結(jié)果表明通過加深網(wǎng)絡(luò)深度至16-19層可以極大地改進前人的網(wǎng)絡(luò)結(jié)構(gòu)。這些發(fā)現(xiàn)也是參加2014年ImageNet比賽的基礎(chǔ)，并且在這次比賽中，分別在定位和分類跟蹤任務(wù)中取得第一名和第二名。

VGGNet的網(wǎng)絡(luò)結(jié)構(gòu)如下圖：

類型從A到E。此處重點講解VGG16。也就是圖中的類型D。如圖中所示，共有13個卷積層，3個全連接層。其全部采用3*3卷積核，步長為1，和2*2最大池化核，步長為2。

1.Input層

   輸入圖片為224*224*3。

2.CONV3-64

   經(jīng)過（3*3*3）*64卷積核，生成featuremap為224*224*64。

3.CONV3-64

   經(jīng)過（3*3*64）*64卷積核，生成featuremap為224*224*64。

4.Max pool

   經(jīng)過（2*2）max pool核，生成featuremap為112*112*64。

5.CONV3-128。

   經(jīng)過（3*3*64）*128卷積核，生成featuremap為112*112*128。

6. CONV3-128

    經(jīng)過（3*3*128）*128卷積，生成featuremap為112*112*128。

7.Max pool

   經(jīng)過（2*2）maxpool，生成featuremap為56*56*128。

8.CONV3-256

   經(jīng)過（3*3*128）*256卷積核，生成featuremap為56*56*256。

9.CONV3-256

   經(jīng)過（3*3*256）*256卷積核，生成featuremap為56*56*256。

10.CONV3-256

     經(jīng)過（3*3*256）*256卷積核，生成featuremap為56*56*256。

11.Max pool

     經(jīng)過（2*2）maxpool，生成featuremap為28*28*256

12.CONV3-512

     經(jīng)過（3*3*256）*512卷積核，生成featuremap為28*28*512

13.CONV3-512

     經(jīng)過（3*3*512）*512卷積核，生成featuremap為28*28*512。

14.CONV3-512

     經(jīng)過（3*3*512）*512卷積核，生成featuremap為28*28*512。

15.Max pool

     經(jīng)過（2*2）maxpool,生成featuremap為14*14*512。

16.CONV3-512

     經(jīng)過（3*3*512）*512卷積核，生成featuremap為14*14*512。

17.CONV3-512

    經(jīng)過（3*3*512）*512卷積核，生成featuremap為14*14*512。

18.CONV3-512

    經(jīng)過（3*3*512）*512卷積核，生成featuremap為14*14*512。

19.Max pool

    經(jīng)過2*2卷積，生成featuremap為7*7*512。

20.FC-4096

    輸入為7*7*512，輸出為1*1*4096，總參數(shù)量為7*7*512*4096。

21.FC-4096

    輸入為1*1*4096，輸出為1*1*4096，總參數(shù)量為4096*4096。

22.FC-1000

    輸入為1*1*4096，輸出為1000，總參數(shù)量為4096*1000。

總結(jié)：

1. 共包含參數(shù)約為550M。

2. 全部使用3*3的卷積核和2*2的最大池化核。

3. 簡化了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

LeNet5是早期用于工程應(yīng)用的網(wǎng)絡(luò)結(jié)構(gòu)，發(fā)展到AlexNet，激活函數(shù)從sigmoid變?yōu)閞elu，加入了Dropout層等操作，引起了新一輪的深度學(xué)習(xí)熱潮。VGG基本是AlexNet的加強版，深度上是其2倍，參數(shù)量大小也是兩倍多。

這三個網(wǎng)絡(luò)結(jié)構(gòu)本質(zhì)上都是（卷積+池化）堆疊的網(wǎng)絡(luò)結(jié)構(gòu)，是深度學(xué)習(xí)復(fù)興以來的第一個有重大工程意義的網(wǎng)絡(luò)設(shè)計系列。

參考文獻

【1】Lécun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.

【2】Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012:1097-1105.

【3】Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.