CNN-day6-经典神经网络AlexNet
day7-经典神经网络AlexNet
ImageNet大规模视觉挑战赛(ILSVRC)被称为深度学习在图像分类任务研究方面进展的标杆。
AlexNet网络参加了ILSVRC2012年大赛获得冠军（超过第二名10%的性能），掀起了一波深度学习的浪潮，一个具有里程碑意义的网络。
1 模型结构
5个卷积层3个全连接层（池化和Normal不作为层看待）
2 网络创新
多GPU训练，ReLU激活函数，LRN归一化，Dropout，重叠池化，数据增强等。
2.1首发GPU训练网络
AlexNet使用了两块GTX 580 GPU进行训练，单个GTX 580只有3GB显存，这限制了可训练的网络的最大规模。因此作者将AlexNet分布在两个GPU上，在每个GPU的显存中储存一半的神经元的参数。
除了将模型的神经元进行了并行，还使得通信被限制在了某些网络层。第三层卷积要使用第二层所有的特征图，但是第四层却只需要同一块GPU中的第三层的特征图。
2.2使用ReLU激活函数
全称为：Rectified Linear Unit，是一种人工神经网络中常用的激活函数，通常意义下，其指代数学中的斜坡函数
2.3使用LRN局部响应归一化
LRN目的在于卷积（即 Relu 激活函数出来之后的）值进行局部的归一化。
归一化（normalization）的目的就是“抑制”，借鉴“侧抑制”的思想来实现局部抑制，当我们使用Relu激活函数的时候，这种局部抑制显得很有效果。
LRN的主要思想是在神经元输出的局部范围内进行归一化操作，使得激活值较大的神经元对后续神经元的影响降低，从而减少梯度消失和梯度爆炸的问题。具体来说，对于每个神经元，LRN会将其输出按照局部范围进行加权平均，然后将加权平均值除以一个尺度因子（通常为2），最后将结果取平方根并减去均值，得到归一化后的输出。
作用于ReLU层之后，抑制反馈较小的神经元，放大反馈较大的 神经元，增强模型泛化能力。
后续提出了更加有说服能力的批量归一化（Batch Normalization）的概念，所以现在归一化几乎都用batchNorm的方法实现归一化。
2.4全连接层加入Dropout
正则化方法，提高模型泛化能力。（随机丢弃）
2.5数据增强
| 增强方法 | 作用 |
|---|---|
| 裁剪、翻转 | 保证模型能够正常收敛 |
| PCA颜色扰动 | top1分类精度提升1%以上 |
2.6重叠池化
相邻池化区域的窗口有重叠，可提高模型泛化能力。
2.7测试时数据增强
将原始图片进行水平翻转、垂直翻转、对角线翻转、旋转角度等数据增强操作，得到多张图，分别进行推理，再融合得到最终输出结果。
提取图片四个角加中间五个位置并进行左右翻转得到十幅图片， 各自推理求取平均值。