深度学习之视觉特征提取器——AlexNet

AlexNet

参考资料：

（1）ImageNet十年历任霸主之AlexNet - 知乎 (zhihu.com)

（2）AlexNet - Wikipedia

引入

AlexNet在2012年以第一名在Top-1分类精度霸榜ImageNet，并超过第二名近10个百分点，并且值得说明的是，霸榜2013年的ZFNet也就是对AlexNet进行调参后得到了更好的结果。相比于古早的LeNet实现的十分类，AlexNet能够成功进行一千分类并且达到了一个新高度。此外，AlexNet证明了神经网络的深度对模型效果至关重要，并且可以利用GPU大大加速这一过程。AlexNet虽然相比于VGG的热度和知名度没有那么高（值得说明的是已经相当高了），但是个人认为其里程碑的意义要比VGG高。其效果虽然逊于VGG，但是无论是归一化的思想，还是Dropout、ReLU的应用，亦或是深层网络利用GPU加速，为后续各项研究提供了一个很好的研究基础。

模型结构

AlexNet 包含八层：前五层是卷积层，其中一些是最大池化层，后三层是全连接层。除最后一层外，网络被拆分为两个部分，每个部分在一个 GPU 上运行。整个结构可以写成：
$$(CNN\to LRN\to MP{)}^2\to (CN{N}^3\to MP)\to (FC\to DO{)}^2\to Linear\to Softmax$$
其中各个字母分别代表着：

• CNN = 卷积层（后面紧接着激活函数 ReLU）
• LRN = 局部响应归一化（Local Response Normalization）
• MP = 最大池化（Maxpooling）
• FC = 全连接层（后面紧接着激活函数 ReLU）
• 线性 = 全连接层（未激活）
• DO = 随机丢失（Dropout）

更为详细的结构图如下图所示：

Local Response Normalization

Local Response Normalization是一种归一化方式，主要针对的是卷积核不同通道上相同位置的参数。用数学公式表示就是：
$$b_{x,y}^i=a_{x,y}^i/(k+\alpha \sum _{j=max(0,i-\frac{n}{2})}^{j=min(N-1,i+\frac{n}{2})}{a_{x,y}^j}^2{)}^{\beta }$$
其中$a_{x,y}^i$是第$i$个卷积核上位置为$(x,y)$的输入参数，$b_{x,y}^i$是第$i$个卷积核上位置为$(x,y)$的输出参数，$N$是总卷积核的数量，$n$是归一化邻居数量（因为可能不是同时对所有卷积核/通道进行归一化），$\alpha ,\beta ,k$是超参数。在论文中，采用的是𝑘=2, 𝑛=5, 𝛼=0.0001, 𝛽=0.75的值。

这一操作对于像AlexNet这种深层次网络比较必要，因为AlexNet会使用上百个通道，使用这种归一化可以一定程度上帮助模型收敛（类似于数据预处理中的归一化的作用）。从神经科学角度上来看，归一化可以看成是神经元群体之前相互抑制作用。

ReLU

ReLU是由一个分段函数组成的，在自变量小于0的部分恒等于0，在自变量大于0的部分等于自变量，即$ReLU=max(0,x)$。相比于Sigmoid，ReLU更容易收敛，且由于梯度比较容易求（大于0的导数恒为1）。当因变量很大的时候，经过Sigmoid激活后基本都接近于1，导致梯度消失，而ReLU会避免这种情况。

Dropout

Dropout即在训练过程中（注意预测的时候不使用），按照特定概率随机丢失一定的神经元数据，这样可以有效降低过拟合，但是其代价是可能会导致模型收敛的epoch数更多。

实现代码

Pytorch框架中的torchvision库可以很方便的对其进行调用和实现。模型结构如下：

AlexNet(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(11, 11), stride=(4, 4), padding=(2, 2))
    (1): ReLU(inplace=True)
    (2): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
    (3): Conv2d(64, 192, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (4): ReLU(inplace=True)
    (5): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Conv2d(192, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (7): ReLU(inplace=True)
    (8): Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (9): ReLU(inplace=True)
    (10): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(6, 6))
  (classifier): Sequential(
    (0): Dropout(p=0.5, inplace=False)
    (1): Linear(in_features=9216, out_features=4096, bias=True)
    (2): ReLU(inplace=True)
    (3): Dropout(p=0.5, inplace=False)
    (4): Linear(in_features=4096, out_features=4096, bias=True)
    (5): ReLU(inplace=True)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

值得说明的是，现在Pytorch库中的AlexNet并不是原论文提出的模型，而是一种经过参数调整后效果更好一些的模型。如果要封装成一个类，并控制输出的维度，可以使用如下代码：

import torch.nn as nn
import torchvision.models as models
from torchvision.models.alexnet import AlexNet_Weights

class AlexNet(nn.Module):
    def __init__(self):
        super(AlexNet, self).__init__()
        self.alexnet = models.alexnet(weights=AlexNet_Weights.IMAGENET1K_V1)
        self.dim_feat = 1000
        self.alexnet.classifier[2] = nn.Linear(4096, 1000)

    def forward(self, x):
        output = self.alexnet(x)
        return output