深度学习6--深度神经网络

news2024/11/14 5:29:01

1.VGG网络

在图像分类这个领域中，深度卷积网络一般由卷积模块和全连接模块组成。

(1)卷积模块包含卷积层、池化层、Dropout 层、激活函数等。普遍认为，卷积模块是对图像特征的提取，并不是对图像进行分类。

(2)全连接模块跟在卷积模块之后，一般有2～3个全连接层。全连接层用于分类。卷积核是用来提取图片特征的，不同的卷积核是用来发掘图片中不同的特征的

2.GoogleNet

残差连接是为了解决什么问题?梯度消失的问题。梯度消失问题是怎么产生的呢?是因为网络太深。

(1)如何减少计算量?在卷积之前，使用1×1的卷积层降低通道数。

(2)如何减少计算量?使用3×3的卷积层代替5×5或者7×7的，然后在网络中部可

以使用1×3和3×1的网络。

(3)使用卷积层和池化层并行来兼顾特征和计算量。

(4)使用辅助分类器，增强模型的泛化能力，以及缓解梯度消失的问题。 (5)学会如何计算图像经过卷积层前后的尺寸变化过程。

(6)使用残差连接来缓解梯度消失问题，并且减少运算量。

3. Resnet

Resnet 是一个深度卷积网络，用于处理视觉图像问题。

如果pretrained=True, 那么这个模型就会导入一个存储参数的文件，这意味着模型是一个已经训练过的模型，这种称为预训练。采用已经训练好的模型可以节省大量的时间，加快模型的收敛速度。例如，一个博士生学习一门新的课程会比婴儿学得快，因为博士已经有了很多其他的相关知识，这就是预训练的概念。

CNN计算量如何计算

图的5×5卷积看成是Padding=1 的3×3的图片，Padding=1 就是3×3的图片上下左右各填充一行(列),变成5×5大小的，Padding 是为了保证输入输出的图片尺寸相同。

特征图尺寸是H (高)和W(宽),卷积核是正方形的，尺寸(边长)为K,M 是输入特征图的通道数，N 是输出特征图的通道数，H×W×KXK×M×N这个就是卷积的计算量的公式。倒残差颠倒的是Residual 中使用1×1卷积来缩小通道数的操作。

深度网络在某种意义上来说，越深效果越好，越宽效果越好，但是同时计算量会大幅度提高。如何在计算量提高的前提下，尽可能地提高模型效果呢?模型变深变宽是否有什么规律可寻呢?这就是扩展网络所追求的。

扩展网络，一般是调整输入图像的大小、网络的深度和宽度。网络的宽度就是特征图的通道数量。在EfficientNet 之前，大部分的研究工作都是调整3个维度中的某一个。如果在3个维度上同时进行调整需要极大的算力支持。EfficientNet的目的就是希望找到一个标准化的卷积网络扩展方法，通过规律扩展网络，尽可能提高网络性能。换句话说就是，如何平衡图像分辨率、模型深度、模型宽度3个变量，实现网络在效率和准确率上的提升。

4.风格迁移

风格迁移是把一张图片的风格转移到另外一张图片上的操作。下面通过学习CNN 来理解这怎么实现的。

一切都是基于这样的一个思想：CNN 层，也就是卷积层，在一个深度网络中是有很多卷积层的，每一个卷积层都是对图像进行一次特征的提取，越提取图像，图像就会变得越抽象、越接近本质。因此越接近输入层的图像，包含更多纹理的信息，而越靠近输出层的图像，会包含更多内容方面的信息。

在数据处理的过程中，有一个称为数据处理不等式的概念，就是随着网络层数的加深，图像经过的处理变多，每次处理的信息会变少。开始的一张原始图片，里面包含了所有的信息。不管对一张图片如何操作，每次操作之后的图片所包含的信息一定是小于或等于原图片包含的信息的。根据这个不等式，越深网络的图像信息是不会大于前面层的网络信息的，因此前面层的图像会包含更多的细节。

根据前面讲解的反向传播，有一个有很多参数的模型和一个目标。模型给出一个预测值，用预测值和目标计算出损失函数，然后用损失函数更新模型的所有参数，使模型的预测值更加接近目标。在风格迁移中也要确定一个损失函数和模型。

特征图：原图经过一个卷积层之后，会产生一个新的图像，这个新的图像就是特征图。