典型卷积神经网络（LeNet-5,AlexNet,VGG,GoogLeNet）-526互联

3.1 LeNet-5网络

LeNet-5 曾被大规模用于自动识别美国银行支票上的手写数字。该网络是卷积神经网络 (CNN)。CNN 是现代最先进的基于深度学习的计算机视觉的基础。这些网络建立在 3 个主要思想之上：局部感受野、共享权重和空间子采样。具有共享权重的局部感受野是卷积层的本质，下面描述的大多数架构都以某种形式使用卷积层。

LeNet 是一个重要架构的另一个原因是，在它被发明之前，字符识别主要通过手工使用特征工程来完成，然后使用机器学习模型来学习对手工设计的特征进行分类。LeNet 使手工设计特征变得多余，因为该网络会自动从原始图像中学习最佳的内部表示。

按照现代标准，LeNet-5 是一个非常简单的网络。它只有 7 层，其中有 3 个卷积层（C1、C3 和 C5）、2 个子采样（池化）层（S2 和 S4）和 1 个全连接层（F6），后跟输出层。卷积层使用步幅为 1 的 5 x 5 卷积。子采样层是 2 x 2 平均池化层。整个网络都使用 Tanh sigmoid 激活函数。

首先，层 C3 中的各个卷积核不使用层 S2 产生的所有特征，这与当今标准非常不同。这样做的一个原因是为了降低网络的计算需求。另一个原因是为了让卷积核学习不同的模式。这是非常合理的：如果不同的核接收不同的输入，它们将学习不同的模式。

其次，输出层使用 10 个欧几里得径向基函数神经元，这些神经元计算 84 维输入向量与手动预定义的相同维度的权重向量之间的 L2 距离。数字 84 来自于权重本质上表示一个 7x12 的二进制掩码，每个数字一个。这迫使网络将输入图像转换为内部表示，这将使层 F6 的输出尽可能接近输出层 10 个神经元的硬编码权重。

LeNet-5 能够在 MNIST 数据集上实现低于 1% 的错误率，这在当时非常接近最先进水平（由三个 LeNet-4 网络的提升集成产生）

LeNet-5架构

3.2 AlexNet网络

2012年的论文里输入224x224，2014年论文里输入227x227

AlexNet 架构架构本身相对简单。有 8 个可训练层：5 个卷积层和 3 个全连接层。除了使用 softmax 激活的输出层外，所有层都使用 ReLU 激活。局部响应归一化仅在 C1 和 C2 层之后使用（在激活之前）。在 C1、C2 和 C5 层之后使用重叠最大池化。Dropout 仅在 F1 和 F2 层之后使用。

由于网络位于 2 个 GPU 上，因此必须将其分成 2 部分，并且只能部分通信。请注意，C2、C4 和 C5 层仅接收位于同一 GPU 上的前一层输出作为输入。GPU 之间的通信仅发生在 C3 层以及 F1、F2 和输出层。

该网络使用带动量和学习率衰减的随机梯度下降法进行训练。此外，在训练期间，每当验证错误率停止提高时，学习率都会手动降低 10 倍。

计算卷积层和最大池化层的输出图像的维度

AlexNet模型由八层组成，分别是：（copilot-creative）

输入层：接收一个227x227x3的彩色图像作为输入（224+1P+2P），图像中的每个像素值被归一化到[0,1]区间。
卷积层C1：使用96个11x11x3的卷积核对输入层进行卷积操作，得到96个55x55的特征图，每个特征图中的每个元素是输入图像中一个11x11x3的区域的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的特点是使用了较大的卷积核，以捕捉更多的图像细节，同时使用了较大的步长（4），以减少特征图的尺寸，增加计算效率。
池化层P1：使用96个3x3的最大池化核对卷积层C1进行池化操作，得到96个27x27的特征图，每个特征图中的每个元素是上一层中一个3x3的区域的最大值，然后乘以一个可训练的系数，加上一个可训练的偏置项，再经过一个ReLU激活函数。这一层的作用是降低特征图的空间分辨率，减少计算量和参数量，同时增加特征的不变性。
卷积层C2：使用256个5x5x48的卷积核对池化层P1进行卷积操作，得到256个27x27的特征图，每个特征图中的每个元素是上一层中一个5x5x48的区域的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的特点是使用了较小的卷积核，以提高特征的灵敏度，同时使用了较小的步长（1），以保持特征图的尺寸，增加特征的丰富度。另外，这一层也使用了分组卷积的方法，将上一层的96个特征图分为两组，每组48个，然后每个卷积核只与同一组的特征图相连，得到256个特征图，其中前128个属于第一组，后128个属于第二组，这样可以减少参数量和计算量，同时增加特征的多样性。
池化层P2：使用256个3x3的最大池化核对卷积层C2进行池化操作，得到256个13x13的特征图，每个特征图中的每个元素是上一层中一个3x3的区域的最大值，然后乘以一个可训练的系数，加上一个可训练的偏置项，再经过一个ReLU激活函数。这一层的作用与池化层P1相同。
卷积层C3：使用384个3x3x256的卷积核对池化层P2进行卷积操作，得到384个13x13的特征图，每个特征图中的每个元素是上一层中一个3x3x256的区域的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的特点是使用了更多的卷积核，以增加特征的数量，同时使用了较小的卷积核，以提高特征的灵敏度，同时使用了较小的步长（1），以保持特征图的尺寸，增加特征的丰富度。另外，这一层也取消了分组卷积的方法，使得每个卷积核都与上一层的所有特征图相连，以增加特征的复杂度。
卷积层C4：使用384个3x3x192的卷积核对卷积层C3进行卷积操作，得到384个13x13的特征图，每个特征图中的每个元素是上一层中一个3x3x192的区域的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的特点与卷积层C3相似，只是卷积核的数量和深度有所变化，同时恢复了分组卷积的方法，将上一层的384个特征图分为两组，每组192个，然后每个卷积核只与同一组的特征图相连，得到384个特征图，其中前192个属于第一组，后192个属于第二组，这样可以减少参数量和计算量，同时增加特征的多样性。
卷积层C5：使用256个3x3x192的卷积核对卷积层C4进行卷积操作，得到256个13x13的特征图，每个特征图中的每个元素是上一层中一个3x3x192的区域的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的特点与卷积层C4相似，只是卷积核的数量和深度有所变化。
池化层P3：使用256个3x3的最大池化核对卷积层C5进行池化操作，得到256个6x6的特征图，每个特征图中的每个元素是上一层中一个3x3的区域的最大值，然后乘以一个可训练的系数，加上一个可训练的偏置项，再经过一个ReLU激活函数。这一层的作用与池化层P1和P2相同。
全连接层F1：将池化层P3的所有特征图展平为一个一维向量，然后与4096个神经元全连接，得到一个4096维的向量，每个元素是上一层的所有元素的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的作用是将卷积层提取的局部特征转化为全局特征，同时减少特征的维度，增加特征的抽象程度。另外，这一层也使用了Dropout技术，即在训练过程中，以一定的概率随机丢弃一些神经元的输出，以防止过拟合，提高泛化能力。
全连接层F2：将全连接层F1的输出与4096个神经元全连接，得到一个4096维的向量，每个元素是上一层的所有元素的加权和，加上一个偏置项，然后经过一个ReLU激活函数。这一层的作用与全连接层F1相似，只是神经元的数量没有变化，同时也使用了Dropout技术。
全连接层F3：将全连接层F2的输出与1000个神经元全连接，得到一个1000维的向量，每个元素是上一层的所有元素的加权和，加上一个偏置项，然后经过一个线性激活函数。这一层的作用是将全局特征转化为分类结果，每个元素对应一个图像类别的得分，最后使用softmax函数将得分转化为概率。

AlexNet模型是卷积神经网络的突破之作，为后续的深度学习发展开辟了新的道路。
AlexNet网络中的ReLU

AlexNet网路中的响应归一化

AlexNet网路中的重叠池化

AlexNet网路中的数据增强

数据增强是一种正则化策略（一种防止过拟合的方法）。AlexNet 使用两种数据增强方法。

第一种方法对输入图像进行随机裁剪、旋转和翻转，并在训练期间将它们用作网络的输入。这可以极大地增加数据量；作者提到了增加 2048 倍。另一个好处是，增强是在 CPU 上即时执行的，而 GPU 则训练前一批数据。换句话说，这种类型的增强本质上是计算免费的，也不需要将增强后的图像存储在磁盘上。

第二种数据增强策略是所谓的 PCA 颜色增强。首先，对 ImageNet 训练数据集的所有像素执行 PCA（为此目的，将像素视为 3 维向量）。结果，我们得到一个 3x3 协方差矩阵，以及 3 个特征向量和 3 个特征值。在训练期间，将基于 PCA 分量的随机强度因子添加到图像的每个颜色通道，这相当于改变光照的强度和颜色。此方案将 top-1 错误率降低了 1% 以上，这是一个显着的降低。

AlexNet网络中的测试时增强

AlexNet网络中的dropout

AlexNet 的优点

AlexNet 被认为是用于图像分类的 CNN 的里程碑。
卷积+池化设计、dropout、GPU、并行计算、ReLU 等多种方法，仍然是计算机视觉的工业标准。
AlexNet 的独特优势在于直接将图像输入到分类模型中。
卷积层可以自动提取图像的边缘，全连接层学习这些特征
理论上，通过添加更多卷积层可以有效地提取视觉模式的复杂性

AlexNet 的缺点

与 VGGNet、GoogLENet 和 ResNet 等后续模型相比，AlexNet 不够深。
不久之后，不再鼓励使用大卷积滤波器 (5*5)。
使用正态分布来初始化神经网络中的权重，无法有效解决梯度消失的问题，后来被 Xavier 方法取代。
性能被更复杂的模型（如 GoogLENet (6.7%) 和 ResNet (3.6%)）超越

3.3 VGG 16 网络

VGG网络是由牛津大学的视觉几何组（Visual Geometry Group，简称VGG）于2014年提出的一种卷积神经网络，用于图像分类。它的网络架构如下：

VGG网络由多个卷积层和全连接层组成，每个卷积层都使用3x3的卷积核和1x1的步长，每个池化层都使用2x2的最大池化核和2x2的步长，网络深度达到了16或19层，是当时最深的卷积神经网络之一，是2014年ImageNet挑战赛的亚军，具有较好的可视化特征和迁移学习能力。

VGG网络的特点是使用了统一的卷积核大小和池化核大小，以及逐渐增加的卷积核数量，从而简化了网络的设计和优化，同时提高了网络的性能和泛化能力。VGG网络的缺点是参数量和计算量较大，需要较多的内存和时间来训练和测试。

不同VGG的网络的网络配置

3.4 GoogLeNet网络

GoogLeNet版本

GoogLeNet 网络架构与技术

GoogLeNet网络的inception机制
Inception机制是GoogLeNet网络中使用的一种技术，用于构建多尺度的特征提取模块，提高网络的性能和效率。它的原理是对每个输入特征图，同时使用不同大小的卷积核和池化核进行操作，然后将所有的输出特征图拼接在一起，形成一个更高维度的输出特征图，从而同时捕捉不同尺度的特征，增加特征的丰富度和多样性。具体的结构如下：

一个简单的Inception模块 Inception机制的作用是模仿人类视觉系统的多尺度处理，即在自然界中，不同的物体可能在不同的尺度上有不同的特征，从而需要不同的感受野来识别，从而增强网络的表达能力和泛化能力。在GoogLeNet网络中，Inception机制被应用在多个层次上，形成了多个Inception模块，每个Inception模块都有不同的卷积核和池化核的组合，以适应不同的输入和输出的特征 ![image](https://img2023.cnblogs.com/blog/1951423/202312/1951423-20231231232034058-1131056875.png) GoogLeNet网络中具有降维功能的Inception模块

Inception模块内部有4个并行的分支。第一个分支使用1x1的卷积核，第二个分支先使用1x1的卷积核再使用3x3的卷积核，第三个分支先使用1x1的卷积核再使用5x5的卷积核，第四个分支先使用3x3的最大池化再使用1x1的卷积核。这四个分支都使用了合适的填充来使得输入和输出的尺寸相同，然后将这四个分支的输出在通道维度上进行连接，形成Inception模块的输出。

Inception模块的设计有两个主要的考虑：