本文已同步本人另外一個博客（http://blog.csdn.net/qq_37608890/article/details/79371347）
本文根據最近學習TensorFlow書籍網絡文章的情況,特將一些學習心得做了總結,詳情如下.如有不當之處,請各位大拿多多指點,在此謝過。
一、AlexNet模型及其基本原理闡述
1、關於AlexNet
2012年，AlexKrizhevsky提出了深度卷積神經網絡模型AlexNet，可以看作LeNet的一種更深更寬的版本。該模型包含了6億3000萬個連接，6000萬個參數和65萬個神經元，擁有5個卷積層，其中3個卷積層后面連接了最大池化層，最后還有3個全連接層。它將LeNet的思想得到更廣泛的傳播，把把CNN的基本原理應用到很深很寬的網絡中。
2、AlexNet主要使用到的新技術點
(1)成功使用RelU作為CNN的激活函數，並驗證其效果在較深的網絡超過Sigmoid函數，成功解決了Sigmoid函數在網絡較深時梯度彌散問題。
(2)訓練時使用Droupout隨機忽略一部分神經元，以避免出現模型過擬合。
(3) 在CNN中使用重疊的最大池化。
(4) 提出了LRN層，對局部神經元的活動創建競爭機制，使得其中響應比較大的值變得相對更大，並抑制其他反饋較小的神經元，增強了模型的泛化能力。
(5) 使用CUDA加速深度卷積網絡的訓練，利用GPU強大的並行計算能力，處理神經網絡訓練時大量的矩陣運算。
(6) 數據增強，隨機地從256*256的原始圖像中截取224*224大小的區域（以及水平翻轉的鏡像），相當於增加了(256-224)^2=2048倍的數據量。
3、原理闡釋
整個AlexNet包括8個需要訓練參數的層（不含LRN和池化層），前5層為卷積層，后3層為全連接層，如圖1所示。AlexNet最后一層是有1000類輸出的Softmax層用作分類。LRN層出現在第1個及第2個卷積層后，而最大池化層出現在兩個LRN層及最后一個卷積層后。RelU激活函數則應用在這8層每一層的后面。
圖1AlexNet的網絡結構
AlexNet每層的超參數如圖1所示，其中輸入的圖片尺寸為224*224，第一個卷積層使用了較大的卷積核尺寸11*11，步長為4，有96個卷積核；然后是一個LRN層；再往后是一個3*3的最大池化層，步長為2。再往后的卷積核尺寸都比較小，基本都是5*5或3*3的大小，且步長都是1，即會掃描全圖像所有像素；而最大池化層依然保持為3*3，步長為2。
這里不難發現，前幾個卷積層里面，雖然計算量很大，但參數量很小，基本都在1M左右甚至更小，只占AlexNet總參數量很小一部分。這也是卷積層的價值所在：通過較小的參數量提取有效的特征。
如果前幾層直接使用全連接層，則參數量和計算量將會難以想象。盡管每一個卷積層只占整個網絡參數量的1%不到，但如果拋棄任何一個卷積層，都會迫使整個網絡的分類能力大幅度下降。
圖1中特殊的地方是卷積部分都是畫成上下兩塊，意思是說把這一層計算出來的featuremap分開，但是前一層用到的數據要看連接的虛線，如圖中input層之后的第一層第二層之間的虛線是分開的，是說二層上面的128map是由一層上面的48map計算的，下面同理；而第三層前面的虛線是完全交叉的，就是說每一個192map都是由前面的128+128=256map同時計算得到的。
Alexnet有一個特殊的計算層，LRN層，做的事是對當前層的輸出結果做平滑處理，圖2所示：
圖2
前后幾層（對應位置的點）對中間這一層做一下平滑約束，計算方法如下：
二、經典卷積神經網絡AlexNet模型實現過程
1、簡要說明
因為使用ImageNet數據集訓練一個完整的AlexNet非常耗時，這里AlexNet的實現將不涉及實際數據的訓練，但會創建一個完整的AlexNet卷積神經網絡，然后對它每個batch的前饋計算（forward）和反饋計算（backward）的速度進行測試。下面使用隨機圖片數據來計算每輪前饋、反饋的平均耗時。當然，讀者也可以自行下載ImageNet數據完成訓練並測試。
2、實現過程
==============================================================================
from datetime import datetime
import math
import time
import tensorflow as tf
#這里總共測試100個batch的數據。
batch_size=32
num_batches=100
#定義一個用來顯示網絡每一層結構的函數print_activations，展示每一個卷積層或池化層輸出的tensor尺寸。
def print_activations(t):
print(t.op.name, ' ', t.get_shape().as_list())
#設計AlexNet網絡結構。
#設定inference函數，用於接受images作為輸入，返回最后一層pool5（第5個池化層）及parameters（AlexnNet中所有需要訓練的模型參數）
#該函數包括多個卷積層和池化層。
def inference(images):
parameters = []
# 第1個卷積層
with tf.name_scope('conv1') as scope:
kernel = tf.Variable(tf.truncated_normal([11, 11, 3, 64], dtype=tf.float32,
stddev=1e-1), name='weights')
conv = tf.nn.conv2d(images, kernel, [1, 4, 4, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[64], dtype=tf.float32),
trainable=True, name='biases')
bias = tf.nn.bias_add(conv, biases)
conv1 = tf.nn.relu(bias, name=scope)
print_activations(conv1)
parameters += [kernel, biases]
# 添加LRN層和最大池化層
lrn1 = tf.nn.lrn(conv1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75, name='lrn1')
pool1 = tf.nn.max_pool(lrn1,
ksize=[1, 3, 3, 1],
strides=[1, 2, 2, 1],
padding='VALID',
name='pool1')
print_activations(pool1)
# 設計第2個卷積層
with tf.name_scope('conv2') as scope:
kernel = tf.Variable(tf.truncated_normal([5, 5, 64, 192], dtype=tf.float32,
stddev=1e-1), name='weights')
conv = tf.nn.conv2d(pool1, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[192], dtype=tf.float32),
trainable=True, name='biases')
bias = tf.nn.bias_add(conv, biases)
conv2 = tf.nn.relu(bias, name=scope)
parameters += [kernel, biases]
print_activations(conv2)
# 對第2個卷積層的輸出進行處理，同樣也是先做LRN處理再做最大化池處理。
lrn2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75, name='lrn2')
pool2 = tf.nn.max_pool(lrn2,
ksize=[1, 3, 3, 1],
strides=[1, 2, 2, 1],
padding='VALID',
name='pool2')
print_activations(pool2)
# 設計第3個卷積層
with tf.name_scope('conv3') as scope:
kernel = tf.Variable(tf.truncated_normal([3, 3, 192, 384],
dtype=tf.float32,
stddev=1e-1), name='weights')
conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[384], dtype=tf.float32),
trainable=True, name='biases')
bias = tf.nn.bias_add(conv, biases)
conv3 = tf.nn.relu(bias, name=scope)
parameters += [kernel, biases]
print_activations(conv3)
# 設計第4個卷積層
with tf.name_scope('conv4') as scope:
kernel = tf.Variable(tf.truncated_normal([3, 3, 384, 256],
dtype=tf.float32,
stddev=1e-1), name='weights')
conv = tf.nn.conv2d(conv3, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32),
trainable=True, name='biases')
bias = tf.nn.bias_add(conv, biases)
conv4 = tf.nn.relu(bias, name=scope)
parameters += [kernel, biases]
print_activations(conv4)
# 設計第5個卷積層
with tf.name_scope('conv5') as scope:
kernel = tf.Variable(tf.truncated_normal([3, 3, 256, 256],
dtype=tf.float32,
stddev=1e-1), name='weights')
conv = tf.nn.conv2d(conv4, kernel, [1, 1, 1, 1], padding='SAME')
biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32),
trainable=True, name='biases')
bias = tf.nn.bias_add(conv, biases)
conv5 = tf.nn.relu(bias, name=scope)
parameters += [kernel, biases]
print_activations(conv5)
# 最大池化層
pool5 = tf.nn.max_pool(conv5,
ksize=[1, 3, 3, 1],
strides=[1, 2, 2, 1],
padding='VALID',
name='pool5')
print_activations(pool5)
return pool5, parameters
#構建函數time_tensorflow_run，用來評估AlexNet每輪計算時間。
def time_tensorflow_run(session, target, info_string):
num_steps_burn_in = 10
total_duration = 0.0
total_duration_squared = 0.0
for i in range(num_batches + num_steps_burn_in):
start_time = time.time()
_ = session.run(target)
duration = time.time() - start_time
if i >= num_steps_burn_in:
if not i % 10:
print ('%s: step %d, duration = %.3f' %
(datetime.now(), i - num_steps_burn_in, duration))
total_duration += duration
total_duration_squared += duration * duration
mn = total_duration / num_batches
vr = total_duration_squared / num_batches - mn * mn
sd = math.sqrt(vr)
print ('%s: %s across %d steps, %.3f +/- %.3f sec / batch' %
(datetime.now(), info_string, num_batches, mn, sd))
#主函數
def run_benchmark():
with tf.Graph().as_default():
image_size = 224
images = tf.Variable(tf.random_normal([batch_size,
image_size,
image_size, 3],
dtype=tf.float32,
stddev=1e-1))
pool5, parameters = inference(images)
init = tf.global_variables_initializer()
config = tf.ConfigProto()
config.gpu_options.allocator_type = 'BFC'
sess = tf.Session(config=config)
sess.run(init)
time_tensorflow_run(sess, pool5, "Forward")
objective = tf.nn.l2_loss(pool5)
grad = tf.gradients(objective, parameters)
# Run the backward benchmark.
time_tensorflow_run(sess, grad, "Forward-backward")
#執行主函數
run_benchmark()
3、執行結果分析
這里有三部分如下：
首先是AlexNet的網絡結構
conv1 [32, 56, 56, 64] pool1 [32, 27, 27, 64] conv2 [32, 27, 27, 192] pool2 [32, 13, 13, 192] conv3 [32, 13, 13, 384] conv4 [32, 13, 13, 256] conv5 [32, 13, 13, 256] pool5 [32, 6, 6, 256]
其次是Forward運行的時間。
2018-02-26 08:08:01.966903: step 0, duration = 0.914 2018-02-26 08:08:11.376824: step 10, duration = 0.939 2018-02-26 08:08:21.075799: step 20, duration = 0.953 2018-02-26 08:08:30.983637: step 30, duration = 0.930 2018-02-26 08:08:40.616086: step 40, duration = 0.938 2018-02-26 08:08:50.259619: step 50, duration = 0.965 2018-02-26 08:09:01.280123: step 60, duration = 1.128 2018-02-26 08:09:11.993487: step 70, duration = 0.998 2018-02-26 08:09:22.223815: step 80, duration = 0.935 2018-02-26 08:09:31.741528: step 90, duration = 0.921 2018-02-26 08:09:40.085934: Forward across 100 steps, 0.990 +/- 0.082 sec / batch
最后是backward運行的時間。
2018-02-26 08:10:19.714161: step 0, duration = 3.387 2018-02-26 08:10:55.765137: step 10, duration = 3.495 2018-02-26 08:11:32.451839: step 20, duration = 4.189 2018-02-26 08:12:07.982546: step 30, duration = 3.369 2018-02-26 08:12:43.531404: step 40, duration = 3.415 2018-02-26 08:13:18.980045: step 50, duration = 3.470 2018-02-26 08:13:54.535575: step 60, duration = 3.371 2018-02-26 08:14:29.413705: step 70, duration = 3.655 2018-02-26 08:15:06.147061: step 80, duration = 3.583 2018-02-26 08:15:43.403758: step 90, duration = 3.921 2018-02-26 08:16:16.511215: Forward-backward across 100 steps, 3.602 +/- 0.237 sec / batch
三、小結
AlexNet為卷積神經網絡和深度學習正名，為復興神經網絡做出了很多貢獻，當然，超大型的數據集ImageNet也給深度學習帶來了很大貢獻。訓練深度卷積神經網絡，必須要有一個類似於ImageNet這樣超大型數據集才能避免出現過擬合現象，從而更能體現深度學習的優勢所在。因此，傳統機器學習模型更適合一個小型數據集，在面對大型數據集時，需要更大學習容量的模型，那就是深度學習模型。
深度學習的參數不一定比傳統機器學習模型多，尤其是在卷積層使用的參數量一般都比較少，但其抽取特征的能力非常強悍，這是CNN之所以有效的原因。
參考資料 主要參考資料《TensorFlow實戰》（黃文堅 唐源 著）（電子工業出版社）。