AlexNet架構(gòu)的獨特特征

整流線性單位（ReLU）

為了訓練神經(jīng)網(wǎng)絡(luò)內(nèi)的神經(jīng)元，利用Tanh或S形非線性已成為標準做法，這是goto激活函數(shù)，可用來對CNN內(nèi)的內(nèi)部神經(jīng)元激活進行建模。

AlexNet繼續(xù)使用整流線性單位，簡稱ReLU。 ReLU由Vinod Nair和Geoffrey E.Hinton在2010年推出。

ReLu可以描述為對先前卷積層的輸出執(zhí)行的傳遞函數(shù)運算。 ReLu的利用可確保神經(jīng)元內(nèi)的值保持為正值，但對于負值，則將其限制為零。

使用ReLu的好處是，與其他標準非線性技術(shù)相比，由于梯度下降優(yōu)化以更快的速度發(fā)生，因此可以加快訓練過程。

ReLu層的另一個好處是它在網(wǎng)絡(luò)內(nèi)引入了非線性。 它還消除了連續(xù)卷積的關(guān)聯(lián)性。

GPU

在介紹AlexNet神經(jīng)網(wǎng)絡(luò)架構(gòu)的原始研究論文中，模型的訓練是利用兩個具有3GB內(nèi)存的GTX 580 GPU進行的。

GPU并行化和分布式訓練是當今非常常用的技術(shù)。

根據(jù)研究論文提供的信息，該模型在兩個GPU上進行了訓練，其中一半神經(jīng)元位于一個GPU上，另一半則在另一個GPU的內(nèi)存中。 GPU彼此通信，而無需通過主機。 GPU之間的通信基于層進行限制； 因此，只有特定的層可以相互通信。

例如，AlexNet網(wǎng)絡(luò)第四層的輸入是從當前GPU上第三層特征圖的一半中獲得的，而另一半的其余部分則是從第二GPU中獲得的。 本文后面將對此進行更好地說明。

本地響應(yīng)規(guī)范化

規(guī)范化采用一組數(shù)據(jù)點，并將它們放置在可比較的基礎(chǔ)或規(guī)模上（這是過于簡單的描述）。

CNN中的批次歸一化（BN）是通過將一批輸入數(shù)據(jù)轉(zhuǎn)換為平均值為零且標準偏差為1來標準化和歸一化輸入的技術(shù)。

許多人熟悉批處理規(guī)范化，但是AlexNet體系結(jié)構(gòu)在網(wǎng)絡(luò)中使用了另一種規(guī)范化方法：本地響應(yīng)規(guī)范化（LRN）。

undefined

在現(xiàn)代CNN架構(gòu)中，LRN并未得到廣泛利用，因為還有其他更有效的標準化方法。 雖然，仍可以在某些標準的機器學習庫和框架中找到LRN實現(xiàn)，因此請隨時進行實驗。

重疊池

CNN中的池化層實質(zhì)上將信息封裝在特征圖中的一組像素或值內(nèi)，并將它們投影到較小尺寸的網(wǎng)格中，同時反映來自原始像素組的一般信息。

下圖提供了池化的示例，更具體地說是最大池化。 最大池化是子采樣的一種變體，其中子像素的最大像素值落在池化窗口的接收范圍內(nèi)。

》 Max Pooling Illustration by Justin Francis at Oriely

在介紹AlexNet CNN架構(gòu)的論文中，引入并利用了一種不同的合并方法。 重疊池。 在傳統(tǒng)的池化技術(shù)中，從池化窗口的一個中心到另一個中心的跨度被定位為確保來自一個池化窗口的值不在后續(xù)池化窗口之內(nèi)。

與傳統(tǒng)的池化方法相比，重疊池使用的步幅小于池化窗口的尺寸。 這意味著后續(xù)合并窗口的輸出封裝了已被合并多次的像素/值中的信息。 很難看出這樣做的好處，但是根據(jù)論文的發(fā)現(xiàn)，重疊池降低了模型在訓練期間過擬合的能力。

數(shù)據(jù)擴充

減少過度適應(yīng)網(wǎng)絡(luò)機會的另一種標準方法是通過數(shù)據(jù)增強。 通過人為地擴充數(shù)據(jù)集，您可以增加訓練數(shù)據(jù)的數(shù)量，從而增加了網(wǎng)絡(luò)在訓練階段所暴露的數(shù)據(jù)量。

圖像的增強通常以變換，平移，縮放，裁剪，翻轉(zhuǎn)等形式出現(xiàn)。

在訓練階段，人為地放大了AlexNet原始論文中用于訓練網(wǎng)絡(luò)的圖像。 所使用的增強技術(shù)是裁剪和更改圖像中像素的強度。

將訓練集中的圖像從其256 x 256維度中隨機裁剪，以獲得新的224 x 224裁剪圖像。

增強為何起作用？

事實證明，隨機執(zhí)行對訓練集的擴充可以顯著降低訓練期間網(wǎng)絡(luò)過度擬合的可能性。

增強圖像只是從原始訓練圖像的內(nèi)容中得出的，那么增強為何如此有效？

簡單來說，數(shù)據(jù)擴充可增加數(shù)據(jù)集中的不變性，而無需采購新數(shù)據(jù)。 網(wǎng)絡(luò)能夠很好地泛化到看不見的數(shù)據(jù)集的能力也有所提高。

讓我們舉一個非常真實的例子； “生產(chǎn)”環(huán)境中的圖像可能并不完美，有些圖像可能傾斜，模糊或僅包含一些基本特征。 因此，針對包括訓練數(shù)據(jù)的更健壯變化的數(shù)據(jù)集訓練網(wǎng)絡(luò)將使訓練后的網(wǎng)絡(luò)在生產(chǎn)環(huán)境中能夠更成功地對圖像進行分類。

Dropout

Dropout是許多深度學習從業(yè)人員熟悉的術(shù)語。 Dropout是一種用于減少模型過擬合潛力的技術(shù)。

Dropout技術(shù)是通過向CNN層內(nèi)的神經(jīng)元激活添加概率因子來實現(xiàn)的。 該概率因子向神經(jīng)元指示了在當前前饋步驟期間以及在反向傳播過程中被激活的機會。

Dropout是有用的，因為它使神經(jīng)元能夠減少對相鄰神經(jīng)元的依賴。 因此，每個神經(jīng)元都會學習更多有用的功能。

在AlexNet架構(gòu)中，前兩個完全連接的層使用了dropout技術(shù)。

使用丟失技術(shù)的缺點之一是，它增加了網(wǎng)絡(luò)收斂所需的時間。

雖然，利用Dropout的優(yōu)勢遠遠超過了它的劣勢。

AlexNet體系結(jié)構(gòu)

在本節(jié)中，我們將了解AlexNet網(wǎng)絡(luò)的內(nèi)部組成。 我們將重點關(guān)注與圖層相關(guān)的信息，并細分每個重要圖層的內(nèi)部屬性。

AlexNet CNN體系結(jié)構(gòu)由8層組成，其中包括5個conv層和3個完全連接的層。 卷積層中的一些是卷積層，池化層和規(guī)范化層的組合。

AlexNet是第一個采用具有連續(xù)卷積層（轉(zhuǎn)換層3、4和5）的體系結(jié)構(gòu)。

網(wǎng)絡(luò)中的最終完全連接層包含softmax激活函數(shù)，該函數(shù)提供一個向量，表示1000個類別上的概率分布。

Softmax激活功能

利用Softmax激活來得出輸入向量內(nèi)一組數(shù)字的概率分布。 softmax激活函數(shù)的輸出是一個向量，其中它的一組值表示發(fā)生類或事件的概率。 向量中的值總計為1。

除了最后一個完全連接的層之外，ReLU激活功能還應(yīng)用于網(wǎng)絡(luò)中包含的其余層。

》 Simplified AlexNet Neural Network Multi GPU Architecture

由于該模型是在兩個GTX 580 GPU上訓練的，因此上面的AlexNet網(wǎng)絡(luò)的圖示分為兩個分區(qū)。 盡管網(wǎng)絡(luò)跨兩個GPU進行了劃分，但是從圖中可以看出，在conv3，F(xiàn)C6，F(xiàn)C7和FC8層中可以看到一些交叉的GPU通信。

下表是網(wǎng)絡(luò)中各層的某些特征和屬性的細分。

》 AlexNet architecture properties table

在原始紙張中，輸入層的尺寸據(jù)說為224 x 224 x 3，但是在上方的表格中，輸入層的輸入尺寸為227 x 227 x 3，差異是由于存在一些 在實際的網(wǎng)絡(luò)培訓期間發(fā)生的未提及的填充，未包含在發(fā)表的論文中。