一文讀懂物體分類AI演算法：LeNet-5 AlexNet VGG Inception ResNet MobileNet

1 引言

當前深度學習十分火熱，深度學習網路模型對於降低錯誤率的重要作用不言而喻。深度學習應用場景主要分為三類：物體識別與分類，物體檢測，自然語言處理。在物體識別與分類領域，隨著AlexNet在2012年一炮走紅，深度學習重新燃起了一片熱情。從Lenet5第一次使用卷積開始，經歷了AlexNet VGG Inception ResNet等各種模型，錯誤率也一再降低。ResNet-152 top-5錯誤率僅為3%左右，遠低於人眼的5.1%。本文主要講解各種網路模型的結構，他們的特點，以及這些特點為何能減少訓練時間和降低錯誤率。

2 LeNet-5

LeNet-5的出現標誌著CNN卷積神經網路在AI領域的出現，CNN以視覺感受野和權值共享的思想，大大減少了模型引數，使得深度學習模型訓練成為了可能。但由於誕生於1998年，GPU的概念都還沒有提出，CPU的效能又是極其低下，而且LetNet-5只能使用在手寫字識別等很簡單的應用場景，故一直沒有火起來。但作為CNN應用的開山鼻祖，學習CNN勢必先從學習LetNet-5開始。LeNet-5網路結構如下圖

LeNet-5輸入為32x32的二維畫素矩陣，由於是灰度圖，輸入通道為1，其正向傳播步驟為

1. 先經過一層5x5的卷積，feature map為6，也就是輸出通道為6。由於沒有在圖片四周加padding，畫素矩陣大小變為了28x28。這一層引數量為(5x5+1)x6 = 156。
2. 然後經過一層2x2的平均值池化層進行下采樣。畫素矩陣大小變為了14x14
3. 再經過一層5x5的卷積，feature map為16。畫素矩陣大小變為了10x10。這一層引數量為(5x5x6+1)x16 = 2416
4. 然後經過一層2x2的最大值池化層。畫素矩陣大小變為了5x5
5. 在經過一層5x5的卷積，feature map為120。畫素矩陣大小變為了1x1。這一層引數量為(5x5x16+1)x120 = 48120
6. 然後經過一層全連線層, 輸出為84.故這一層引數量為84x120 = 10080
7. 最後一層為Gaussian Connections輸出層，輸出0~9共10個分類。目前主流輸出層已經由softmax來代替

LeNet-5的特點如下

1. 使用了卷積來提取特徵，結構單元一般為卷積 - 池化 -非線性啟用
2. 已經加入了非線性啟用，啟用函式採用了tanh和sigmoid，目前大多數情況下我們使用的是relu
3. 池化層使用的是平均值池化，目前大多數情況下我們使用最大值池化
4. 分類器使用了Gaussian Connections，目前已經被softmax替代

3 AlexNet

AlexNet在2012年以16.4%的顯著優勢問鼎ILSVRC的冠軍，重新燃起了人們對於深度學習研究的熱情。它第一次採用了relu，dropout，GPU加速等技巧，引數量為6000萬，模型大小240M左右。其網路結構如下

AlexNet輸入圖片為224x224, 輸入為RGB三通道。正向傳播共5個卷積層和3個全連線層，步驟為

1. conv1-relu1-pool1-lrn1: 11x11的卷積，步長為4， 輸出通道96,也就是96個特徵圖。分為兩組，每組48個通道。然後通過一層relu的非線性啟用。在經過一層最大值池化，池化核大小3x3, 步長為2。最後再經過一層LRN，區域性響應歸一化。第一層運算後圖片大小為27x27x96
2. conv2-relu2-pool2-lrn2: 第二層的輸入即為第一層的輸出，也就是27x27x96的畫素矩陣。96個feature map分成兩組，分別在兩個GPU中進行運算。卷積核大小為5x5, 步長為1，輸出通道為128. 然後進過一層relu非線性啟用。再經過一層最大值池化，池化核大小仍然為3x3, 步長為2. 最後再經過一層LRN。第二層運算後為兩組13x13x128的圖片
3. conv3-relu3: 第三層的輸入為第二層的輸出，也就是13x13x128的畫素矩陣。先經過卷積核大小為3x3x192的卷積運算，步長為1。然後就是relu非線性啟用。注意這一層沒有max-pooling和LRN。第三層運算後為兩組13x13x192
4. conv4-relu4: 第四層先經過卷積核大小為3x3, 步長為1的卷積運算，然後經過relu非線性啟用。第四層運算後尺寸仍然為兩組13x13x192的圖片
5. conv5-relu5-pool5:第五層先經過卷積核大小為3x3, 輸出通道128，步長為1的卷積運算，然後經過relu非線性啟用。最後經過一層大小為3x3, 步長為2的max-pooling, 第五層運算後為兩組6x6x128的圖片
6. fc6-relu6-dropout6: 第六層為全連線層，輸入為兩組6x6x128, 組合在一起也就是6x6x256。輸出通道為4096。經過relu和dropout後輸出。輸出為4096的一維向量
7. fc7-relu7-dropout7: 第七層為全連線層，輸入為4096的一維向量，輸出也為4096的一維向量，也就是4096x4096的全連線。然後通過relu和dropout輸出。輸出為4096的一維向量。
8. fc8: 第八層為全連線層，輸入為4096的一維向量，輸出為1000的一維向量，對應1000個分類的輸出。也就是4096x1000的全連線。輸出為1000的一維向量。經過這一層後就可以通過softmax得到1000個分類的分類結果了。

AlexNet的結構特點為

1. 採用relu替代了tanh和sigmoid啟用函式。relu具有計算簡單，不產生梯度彌散等優點，現在已經基本替代了tanh和sigmoid
2. 全連線層使用了dropout來防止過擬合。dropout可以理解為是一種下采樣方式，可以有效降低過擬合問題。
3. 卷積-啟用-池化後，採用了一層LRN，也就是區域性響應歸一化。將一個卷積核在(x,y)空間畫素點的輸出，和它前後的幾個卷積核上的輸出做權重歸一化。
4. 使用了重疊的最大值池化層。3x3的池化核，步長為2，因此產生了重疊池化效應，使得一個畫素點在多個池化結果中均有輸出，提高了特徵提取的豐富性
5. 使用CUDA GPU硬體加速。訓練中使用了兩塊GPU進行並行加速，使得模型訓練速度大大提高。
6. 資料增強。隨機的從256x256的原始圖片中，裁剪得到224x224的圖片，從而使一張圖片變為了(256-224)^2張圖片。並對圖片進行映象，旋轉，隨機噪聲等資料增強操作，大大降低了過擬合現象。

4 VGG

VGG為ILSVRC 2014年第二名，它探索了卷積網路深度和效能，準確率之間的關係。通過反覆堆疊3x3卷積和2x2的池化，得到了最大19層的深度。VGG19模型大概508M，錯誤率降低到7.3%。VGG模型不復雜，只有3x3這一種卷積核，卷積層基本就是卷積-relu-池化的結構，沒有使用LRN，結構如下圖。

VGG的特點如下

1. 採用了較深的網路，最多達到19層，證明了網路越深，高階特徵提取越多，從而準確率得到提升。
2. 串聯多個小卷積，相當於一個大卷積。VGG中使用兩個串聯的3x3卷積，達到了一個5x5卷積的效果，但引數量卻只有之前的9/25。同時串聯多個小卷積，也增加了使用relu非線性啟用的概率，從而增加了模型的非線性特徵。
3. VGG-16中使用了1x1的卷積。1x1的卷積是價效比最高的卷積，可以用來實現線性變化，輸出通道變換等功能，而且還可以多一次relu非線性啟用。
4. VGG有11層，13層，16層，19層等多種不同複雜度的結構。使用複雜度低的模型的訓練結果，來初始化複雜度高模型的權重等引數，這樣可以加快收斂速度。

5 Google Inception

Google Inception是一個大家族，包括inceptionV1 inceptionV2 inceptionV3 inceptionV4等結構。它主要不是對網路深度的探索，而是進行了網路結構的改進。inceptionV1擊敗了VGG，奪得2014年ILSVRC冠軍。之後Google又對其網路結構進行了諸多改進，從而形成了一個大家族。

5.1 InceptionV1

inceptionV1是一個設計十分精巧的網路，它有22層深，只有500萬左右的引數量，模型大小僅為20M左右，但錯誤率卻只有6.7%。它的網路結構特點如下

1. 去除了最後的全連線層，而使用全域性平均池化來代替。這是模型之所以小的原因。AlexNet和VGG中全連線幾乎佔據了90%的引數量。而inceptionV1僅僅需要1000個引數，大大降低了引數量
2. inception module的使用。借鑑與Network in Network的思想，提出了inception module的概念，允許通道並聯來組合特徵。其結構如下

inception module分為並聯的四路，分別為單獨的1x1卷積，1x1並聯3x3, 1x1並聯5x5, 池化後1x1卷積。使用不同的卷積結構來提取不同特徵，然後將他們組合在一起來輸出。

1. 使用了1x1,3x3,5x5等不同尺寸的卷積，增加了提取特徵面積的多樣性，從而減小過擬合

5.2 inceptionV2

inceptionV2和V1網路結構大體相似，其模型大小為40M左右，錯誤率僅4.8%，低於人眼識別的錯誤率5.1%。主要改進如下

1. 使用兩個串聯3x3卷積來代替5x5卷積，從而降低引數量，並增加relu非線性。這一點參考了VGG的設計
2. 提出了Batch Normalization。在卷積池化後，增加了這一層正則化，將輸出資料歸一化到0~1之間，從而降低神經元分佈的不一致性。這樣訓練時就可以使用相對較大的學習率，從而加快收斂速度。在達到之前的準確率之後還能繼續訓練，從而提高準確率。V2達到V1的準確率時，迭代次數僅為V1的1/14, 從而使訓練時間大大減少。最終錯誤率僅4.8%

5.3 inceptionV3

inceptionV3的網路結構也沒太大變化，其模型大小96M左右。主要改進如下

1. 使用非對稱卷積。用1x3+3x1的卷積來代替一個3x3的卷積，降低了引數的同時，提高了卷積的多樣性
2. 分支中出現了分支。如下圖

5.4 inceptionV4

inceptionV4主要是借鑑了resNet殘差網路的思想，可以看做是inceptionV3和resNet的結合。inceptionV4模型大小163M，錯誤率僅僅為3.08%。主要在ResNet網路中講解

6 ResNet

6.1 ResNetV1

ResNet由微軟提出，並奪得了2015年ILSVRC大賽的冠軍。它以152層的網路深度，將錯誤率降低到只有3.57%，遠遠低於5.1%的人眼識別錯誤率。它同樣利用全域性平均池化來代替全連線層，使得152層網路的模型不至於太大。網路中使用了1x1 3x3 5x5 7x7等不同尺寸的卷積核，從而提高卷積的多樣性。resNetV1_152模型大小為214M，不算太大。

ResNet提出了殘差思想，將輸入中的一部分資料不經過神經網路，而直接進入到輸出中。這樣來保留一部分原始資訊，防止反向傳播時的梯度彌散問題，從而使得網路深度一舉達到152層。當前有很多人甚至訓練了1000多層的網路，當然我們實際使用中100多層的就遠遠足夠了。殘差網路如下圖

ResNet的主要特點，就一個字，深！

6.2 ResNetV2

ResNetV2相對於V1的最大變化，就是借鑑了inceptionV2的BN歸一化思想，這樣來減少模型訓練時間。

7 MobileNet

為了能將模型部署在終端上，需要在保證準確率的前提下，減小模型體積，並降低預測時的計算時間，以提高實時性。為了能到達這一目的，Google提出了mobileNet框架。最終mobileNetV1_1.0_224模型以16M的大小，可以達到90%的top-5準確率。模型甚至可以壓縮得更小，mobileNetV1_0.25_128只有10M左右，仍然能達到80%的準確率。

7.1 mobileNet depthwise原理

mobileNet模型的核心是，將一個普通的卷積拆分成了一個depthwise卷積和一個1x1的普通卷積(也叫pointwise卷積）。depthwise卷積層的每個卷積只和輸入的某一個channel進行計算，而combining則由1x1的卷積來負責。如下圖

對於卷積核dk*dk,輸入通道為M，輸出通道為N的普通卷積，每個輸出通道都是由M個卷積分別和輸入通道做計算，然後累加出來，所以需要的引數量為dk x dk x M x N。而對於depthwise卷積，每個卷積只和輸入通道的某一個通道發生計算，並且不需要累加操作，其卷積後的輸出通道和輸入通道相等，仍然為M。然後再經過一層1x1的普通卷積。故其引數為dk x dk x M + 1 x 1 x M x N。

mobileNet引數量比原來減少了多少呢，我們由下面的計算可以得出

​ (dk x dk x M + 1 x 1 x M x N) / (dk x dk x M x N) = 1/N + 1/(dk^2)

由於輸出通道一般都比較大，為48 96 甚至4096， 故一般取1/(dk^2)， 對於最常見的3x3卷積，mobileNet引數量可以降低為原來的1/9.

7.2 mobileNet網路結構

mobileNet一共包含28層，第一層的卷積為普通卷積，之後的卷積為分解的3x3 depthwise卷積和1x1 pointwise卷積。另外，最後有一個全域性平均池化層和全連線層。並利用softmax得到分類結果。如下圖所示

7.3 mobileNet可裁剪化

為了得到更小的模型，mobileNet還可以進行輸入通道和解析度的剪裁，稱為Width Multiplier 和 Resolution Multiplier。Width Multiplier 表示輸入通道變為baseline的多少倍， Resolution Multiplier表示輸入影象縮小為多少。經過剪裁後的mobileNetV1_0.25_128模型，只有10M左右，準確率仍然可達到80%左右。作為端上影象預處理完全足夠。下面是Width Multiplier 和 Resolution Multiplier的結果

8 總結

CNN已經廣泛應用在物體識別和分類領域，短短几年間就出現了AlexNet VGG inception ResNet等優秀的神經網路結構，並且每隔幾個月就問世一種優秀網路結構，可以說是百花齊放。這要歸功於TensorFlow等框架的成熟和GPU等硬體效能的提升，使得網路結構的設計和驗證日趨平民化。各種網路結構，其實本質上也是在解決神經網路的幾大痛點問題，如下

1. 減少模型引數量，降低模型體積
2. 加快訓練收斂速度，減少訓練耗時
3. 加快模型預測計算時間，提高實時性。這主要還是通過減少引數量來達到
4. 減少過擬合問題
5. 減少網路層級過深時的梯度彌散問題

學習網路模型，不應該去死記硬背，因為有源源不斷的網路結構湧現。我們應該重點掌握每個模型的特點，以及他們是如何來解決上面列舉的這些神經網路痛點的。