深度学习
  • 前言
  • 第一章:经典网络
    • ImageNet Classification with Deep Convolutional Neural Network
    • Very Deep Convolutional Networks for Large-Scale Image Recognition
    • Going Deeper with Convolutions
    • Deep Residual Learning for Image Recognition
    • PolyNet: A Pursuit of Structural Diversity in Very Deep Networks
    • Squeeze-and-Excitation Networks
    • Densely Connected Convolutional Networks
    • SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE
    • MobileNet v1 and MobileNet v2
    • Xception: Deep Learning with Depthwise Separable Convolutions
    • Aggregated Residual Transformations for Deep Neural Networks
    • ShuffleNet v1 and ShuffleNet v2
    • CondenseNet: An Efficient DenseNet using Learned Group Convolution
    • Neural Architecture Search with Reinforecement Learning
    • Learning Transferable Architectures for Scalable Image Recognition
    • Progressive Neural Architecture Search
    • Regularized Evolution for Image Classifier Architecture Search
    • 实例解析:12306验证码破解
  • 第二章:自然语言处理
    • Recurrent Neural Network based Language Model
    • Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation
    • Neural Machine Translation by Jointly Learning to Align and Translate
    • Hierarchical Attention Networks for Document Classification
    • Connectionist Temporal Classification : Labelling Unsegmented Sequence Data with Recurrent Neural Ne
    • About Long Short Term Memory
    • Attention Is All you Need
    • BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
  • 第三章:语音识别
    • Speech Recognition with Deep Recurrent Neural Network
  • 第四章:物体检测
    • Rich feature hierarchies for accurate object detection and semantic segmentation
    • Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
    • Fast R-CNN
    • Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
    • R-FCN: Object Detection via Region-based Fully Convolutuional Networks
    • Mask R-CNN
    • You Only Look Once: Unified, Real-Time Object Detection
    • SSD: Single Shot MultiBox Detector
    • YOLO9000: Better, Faster, Stronger
    • Focal Loss for Dense Object Detection
    • YOLOv3: An Incremental Improvement
    • Learning to Segment Every Thing
    • SNIPER: Efficient Multi-Scale Training
  • 第五章:光学字符识别
    • 场景文字检测
      • DeepText: A Unified Framework for Text Proposal Generation and Text Detection in Natural Images
      • Detecting Text in Natural Image with Connectionist Text Proposal Network
      • Scene Text Detection via Holistic, Multi-Channel Prediction
      • Arbitrary-Oriented Scene Text Detection via Rotation Proposals
      • PixelLink: Detecting Scene Text via Instance Segmentation
    • 文字识别
      • Spatial Transform Networks
      • Robust Scene Text Recognition with Automatic Rectification
      • Bidirectional Scene Text Recognition with a Single Decoder
      • multi-task learning for text recognition with joint CTC-attention
    • 端到端文字检测与识别
      • Reading Text in the Wild with Convolutional Neural Networks
      • Deep TextSpotter: An End-to-End Trainable Scene Text Localization and Recognition Framework
    • 实例解析:字符验证码破解
    • 二维信息识别
      • 基于Seq2Seq的公式识别引擎
      • Show and Tell: A Neural Image Caption Generator
      • Show, Attend and Tell: Neural Image Caption Generation with Visual Attention
  • 第六章:语义分割
    • U-Net: Convolutional Networks for Biomedical Image Segmentation
  • 第七章:人脸识别
    • 人脸检测
      • DenseBox: Unifying Landmark Localization with End to End Object Detection
      • UnitBox: An Advanced Object Detection Network
  • 第八章:网络优化
    • Batch Normalization
    • Layer Normalization
    • Weight Normalization
    • Instance Normalization
    • Group Normalization
    • Switchable Normalization
  • 第九章:生成对抗网络
    • Generative Adversarial Nets
  • 其它应用
    • Holistically-Nested Edge Detection
    • Image Style Transfer Using Convolutional Nerual Networks
    • Background Matting: The World is Your Green Screen
  • Tags
  • References
由 GitBook 提供支持
在本页
  • 前言
  • 1. 残差网络
  • 1.1 残差块
  • 1.2 残差网络
  • 1.3 为什么叫残差网络
  • 2. 残差网络的背后原理
  • 2.1 直接映射是最好的选择
  • 2.2 激活函数的位置
  • 3.残差网络与模型集成

这有帮助吗?

  1. 第一章:经典网络

Deep Residual Learning for Image Recognition

上一页Going Deeper with Convolutions下一页PolyNet: A Pursuit of Structural Diversity in Very Deep Networks

最后更新于4年前

这有帮助吗?

前言

在VGG中,卷积网络达到了19层,在GoogLeNet中,网络史无前例的达到了22层。那么,网络的精度会随着网络的层数增多而增多吗?在深度学习中,网络层数增多一般会伴着下面几个问题

  1. 计算资源的消耗

  2. 模型容易过拟合

  3. 梯度消失/梯度爆炸问题的产生

问题1可以通过GPU集群来解决,对于一个企业资源并不是很大的问题;问题2的过拟合通过采集海量数据,并配合Dropout正则化等方法也可以有效避免;问题3通过Batch Normalization也可以避免。貌似我们只要无脑的增加网络的层数,我们就能从此获益,但实验数据给了我们当头一棒。

作者发现,随着网络层数的增加,网络发生了退化(degradation)的现象:随着网络层数的增多,训练集loss逐渐下降,然后趋于饱和,当你再增加网络深度的话,训练集loss反而会增大。注意这并不是过拟合,因为在过拟合中训练loss是一直减小的。

当网络退化时,浅层网络能够达到比深层网络更好的训练效果,这时如果我们把低层的特征传到高层,那么效果应该至少不比浅层的网络效果差,或者说如果一个VGG-100网络在第98层使用的是和VGG-16第14层一模一样的特征,那么VGG-100的效果应该会和VGG-16的效果相同。所以,我们可以在VGG-100的98层和14层之间添加一条直接映射(Identity Mapping)来达到此效果。

从信息论的角度讲,由于DPI(数据处理不等式)的存在,在前向传输的过程中,随着层数的加深,Feature Map包含的图像信息会逐层减少,而ResNet的直接映射的加入,保证了l+1l+1l+1层的网络一定比lll层包含更多的图像信息。

基于这种使用直接映射来连接网络不同层直接的思想,残差网络,应运而生。

1. 残差网络

1.1 残差块

残差网络是由一系列残差块组成的(图1)。一个残差块可以用表示为:

xl+1=xl+F(xl,Wl)x_{l+1}= x_l+\mathcal{F}(x_l, {W_l})xl+1​=xl​+F(xl​,Wl​)

图1:残差块

图1中的'Weight‘在卷积网络中是指卷积操作,’addition‘是指单位加操作。

图2:1*1残差块

一般,这种版本的残差块叫做resnet_v1,keras代码实现如下:

def res_block_v1(x, input_filter, output_filter):
    res_x = Conv2D(kernel_size=(3,3), filters=output_filter, strides=1, padding='same')(x)
    res_x = BatchNormalization()(res_x)
    res_x = Activation('relu')(res_x)
    res_x = Conv2D(kernel_size=(3,3), filters=output_filter, strides=1, padding='same')(res_x)
    res_x = BatchNormalization()(res_x)
    if input_filter == output_filter:
        identity = x
    else: #需要升维或者降维
        identity = Conv2D(kernel_size=(1,1), filters=output_filter, strides=1, padding='same')(x)
    x = keras.layers.add([identity, res_x])
    output = Activation('relu')(x)
    return output

1.2 残差网络

残差网络的搭建分为两步:

  1. 使用VGG公式搭建Plain VGG网络

  2. 在Plain VGG的卷积网络之间插入Identity Mapping,注意需要升维或者降维的时候加入1*1卷积。

在实现过程中,一般是直接stack残差块的方式。

def resnet_v1(x):
    x = Conv2D(kernel_size=(3,3), filters=16, strides=1, padding='same', activation='relu')(x)
    x = res_block_v1(x, 16, 16)
    x = res_block_v1(x, 16, 32)
    x = Flatten()(x)
    outputs = Dense(10, activation='softmax', kernel_initializer='he_normal')(x)
    return outputs

1.3 为什么叫残差网络

2. 残差网络的背后原理

残差块一个更通用的表示方式是

那么这时候残差块可以表示为:

这个公式反应了残差网络的两个属性:

上面公式反映了残差网络的两个属性:

通过分析残差网络的正向和反向两个过程,我们发现,当残差块满足上面两个假设时,信息可以非常畅通的在高层和低层之间相互传导,说明这两个假设是让残差网络可以训练深度模型的充分条件。那么这两个假设是必要条件吗?

2.1 直接映射是最好的选择

对于更深的L层

上面公式反映了两个属性:

图3:直接映射的变异模型

图4:变异模型(均为110层)在Cifar10数据集上的表现

从图4的实验结果中我们可以看出,在所有的变异模型中,依旧是直接映射的效果最好。下面我们对图3中的各种变异模型的分析

所以我们可以得出结论:假设1成立,即

2.2 激活函数的位置

[1] 提出的残差块可以详细展开如图5.a,即在卷积之后使用了BN做归一化,然后在和直接映射单位加之后使用了ReLU作为激活函数。

图5:激活函数在残差网络中的使用

上面公式反应到网络里即将激活函数移到残差部分使用,即图5.c,这种在卷积之后使用激活函数的方法叫做post-activation。然后,作者通过调整ReLU和BN的使用位置得到了几个变种,即5.d中的ReLU-only pre-activation和5.d中的 full pre-activation。作者通过对照试验对比了这几种变异模型,结果见图6。

图6:基于激活函数位置的变异模型在Cifar10上的实验结果

而实验结果也表明将激活函数移动到残差部分可以提高模型的精度。

该网络一般就在resnet_v2,keras实现如下:

def res_block_v2(x, input_filter, output_filter):
    res_x = BatchNormalization()(x)
    res_x = Activation('relu')(res_x)
    res_x = Conv2D(kernel_size=(3,3), filters=output_filter, strides=1, padding='same')(res_x)
    res_x = BatchNormalization()(res_x)
    res_x = Activation('relu')(res_x)
    res_x = Conv2D(kernel_size=(3,3), filters=output_filter, strides=1, padding='same')(res_x)
    if input_filter == output_filter:
        identity = x
    else: #需要升维或者降维
        identity = Conv2D(kernel_size=(1,1), filters=output_filter, strides=1, padding='same')(x)
    output= keras.layers.add([identity, res_x])
    return output

def resnet_v2(x):
    x = Conv2D(kernel_size=(3,3), filters=16 , strides=1, padding='same', activation='relu')(x)
    x = res_block_v2(x, 16, 16)
    x = res_block_v2(x, 16, 32)
    x = BatchNormalization()(x)
    y = Flatten()(x)
    outputs = Dense(10, activation='softmax', kernel_initializer='he_normal')(y)
    return outputs

一个残差网络的搭建也是采用堆叠残差块的形式,在是否降维的时候选择不同的残差块。残差网络v1给出的示意图如图7所示。

图7:残差网络展开成二叉树

3.残差网络与模型集成

Andreas Veit等人的论文指出残差网络可以从模型集成的角度理解。如图7所示,对于一个3层的残差网络可以展开成一棵含有8个节点的二叉树,而最终的输出便是这8个节点的集成。而他们的实验也验证了这一点,随机删除残差网络的一些节点网络的性能变化较为平滑,而对于VGG等stack到一起的网络来说,随机删除一些节点后,网络的输出将完全随机。

图8:残差网络展开成二叉树

残差块分成两部分直接映射部分和残差部分。h(xl)h(x_l)h(xl​)是直接映射,反应在图1中是左边的曲线;F(xl,Wl)\mathcal{F}(x_l, {W_l})F(xl​,Wl​)是残差部分,一般由两个或者三个卷积操作构成,即图1中右侧包含卷积的部分。

在卷积网络中,xlx_lxl​可能和xl+1x_{l+1}xl+1​的Feature Map的数量不一样,这时候就需要使用1×11\times11×1卷积进行升维或者降维(图2)。这时,残差块表示为:

xl+1=h(xl)+F(xl,Wl)x_{l+1}= h(x_l)+\mathcal{F}(x_l, {W_l})xl+1​=h(xl​)+F(xl​,Wl​)

其中h(xl)=Wl′xh(x_l) = W'_lxh(xl​)=Wl′​x。其中Wl′W'_lWl′​1×11\times11×1卷核,是实验结果1×11\times11×1卷积对模型性能提升有限,所以一般是在升维或者降维时才会使用。

在统计学中,残差和误差是非常容易混淆的两个概念。误差是衡量观测值和真实值之间的差距,残差是指预测值和观测值之间的差距。对于残差网络的命名原因,作者给出的解释是,网络的一层通常可以看做y=H(x)y=H(x)y=H(x), 而残差网络的一个残差块可以表示为H(x)=F(x)+xH(x)=F(x)+xH(x)=F(x)+x,也就是F(x)=H(x)−xF(x) = H(x)-xF(x)=H(x)−x,在单位映射中,y=xy=xy=x便是观测值,而H(x)H(x)H(x)是预测值,所以F(x)F(x)F(x)便对应着残差,因此叫做残差网络。

yl=h(xl)+F(xl,Wl)y_l= h(x_l)+\mathcal{F}(x_l, {W_l})yl​=h(xl​)+F(xl​,Wl​)
xl+1=f(yl)x_{l+1} = f(y_l)xl+1​=f(yl​)

现在我们先不考虑升维或者降维的情况,那么在[1]中,h(⋅)h(\cdot)h(⋅)是直接映射,f(⋅)f(\cdot)f(⋅)是激活函数,一般使用ReLU。我们首先给出两个假设:

假设1:h(⋅)h(\cdot)h(⋅)是直接映射;

假设2:f(⋅)f(\cdot)f(⋅)是直接映射。

xl+1=xl+F(xl,Wl)x_{l+1} = x_l + \mathcal{F}(x_l, {W_l})xl+1​=xl​+F(xl​,Wl​)

对于一个更深的层LLL,其与lll层的关系可以表示为

xL=xl+∑i=1L−1F(xi,Wi)x_L = x_l + \sum_{i=1}^{L-1}\mathcal{F}(x_i, {W_i})xL​=xl​+i=1∑L−1​F(xi​,Wi​)

LLL层可以表示为任意一个比它浅的l层和他们之间的残差部分之和;

xL=x0+∑i=0L−1F(xi,Wi)x_L= x_0 + \sum_{i=0}^{L-1}\mathcal{F}(x_i, {W_i})xL​=x0​+∑i=0L−1​F(xi​,Wi​),LLL是各个残差块特征的单位累和,而MLP是特征矩阵的累积。

根据BP中使用的导数的链式法则,损失函数ε\varepsilonε关于xlx_lxl​的梯度可以表示为

∂ε∂xl=∂ε∂xL∂xL∂xl=∂ε∂xL(1+∂∂xl∑i=1L−1F(xi,Wi))=∂ε∂xL+∂ε∂xL∂∂xl∑i=1L−1F(xi,Wi)\frac{\partial \varepsilon}{\partial x_l} = \frac{\partial \varepsilon}{\partial x_L}\frac{\partial x_L}{\partial x_l} = \frac{\partial \varepsilon}{\partial x_L}(1+\frac{\partial }{\partial x_l}\sum_{i=1}^{L-1}\mathcal{F}(x_i, {W_i})) = \frac{\partial \varepsilon}{\partial x_L}+\frac{\partial \varepsilon}{\partial x_L} \frac{\partial }{\partial x_l}\sum_{i=1}^{L-1}\mathcal{F}(x_i, {W_i})∂xl​∂ε​=∂xL​∂ε​∂xl​∂xL​​=∂xL​∂ε​(1+∂xl​∂​i=1∑L−1​F(xi​,Wi​))=∂xL​∂ε​+∂xL​∂ε​∂xl​∂​i=1∑L−1​F(xi​,Wi​)

在整个训练过程中,∂∂xl∑i=1L−1F(xi,Wi)\frac{\partial }{\partial x_l}\sum_{i=1}^{L-1}\mathcal{F}(x_i, {W_i})∂xl​∂​∑i=1L−1​F(xi​,Wi​)不可能一直为-1,也就是说在残差网络中不会出现梯度消失的问题。

∂ε∂xL\frac{\partial \varepsilon}{\partial x_L}∂xL​∂ε​表示LLL层的梯度可以直接传递到任何一个比它浅的lll层。

对于假设1,我们采用反证法,假设h(xl)=λlxlh(x_l) = \lambda_l x_lh(xl​)=λl​xl​,那么这时候,残差块(图3.b)表示为

xl+1=λlxl+F(xl,Wl)x_{l+1} = \lambda_lx_l + \mathcal{F}(x_l, {W_l})xl+1​=λl​xl​+F(xl​,Wl​)
xL=(∏i=lL−1λl)xl+∑i=lL−1((∏i=lL−1)F(xl,Wl)x_{L} = (\prod_{i=l}^{L-1}\lambda_l)x_l + \sum_{i=l}^{L-1}((\prod_{i=l}^{L-1})\mathcal{F}(x_l, {W_l})xL​=(i=l∏L−1​λl​)xl​+i=l∑L−1​((i=l∏L−1​)F(xl​,Wl​)

为了简化问题,我们只考虑公式的左半部分xL′=(∏i=lL−1λl)xlx'_{L} = (\prod_{i=l}^{L-1}\lambda_l)x_lxL′​=(∏i=lL−1​λl​)xl​,损失函数ε\varepsilonε对xlx_lxl​求偏微分得

∂ε∂xl=∂ε∂xL′(∏i=lL−1λi)\frac{\partial\varepsilon}{\partial x_l} = \frac{\partial\varepsilon}{\partial x'_L} (\prod_{i=l}^{L-1}\lambda_i)∂xl​∂ε​=∂xL′​∂ε​(i=l∏L−1​λi​)

当λ>1\lambda>1λ>1时,很有可能发生梯度爆炸;

当λ<1\lambda<1λ<1时,梯度变成0,会阻碍残差网络信息的反向传递,从而影响残差网络的训练。

所以λ\lambdaλ必须等1。同理,其他常见的激活函数都会产生和上面的例子类似的阻碍信息反向传播的问题。

对于其它不影响梯度的h(⋅)h(\cdot)h(⋅),例如LSTM中的门机制(图3.c,图3.d)或者Dropout(图3.f)以及[1]中用于降维的1×11\times11×1卷积(图3.e)也许会有效果,作者采用了实验的方法进行验证,实验结果见图4

Exclusive Gating:在LSTM的门机制中,绝大多数门的值为0或者1,几乎很难落到0.5附近。当g(x)→0g(x)\rightarrow0g(x)→0时,残差块变成只有直接映射组成,阻碍卷积部分特征的传播;当g(x)→1g(x)\rightarrow1g(x)→1时,直接映射失效,退化为普通的卷积网络;

Short-cut only gating:g(x)→0g(x)\rightarrow0g(x)→0时,此时网络便是[1]提出的直接映射的残差网络;g(x)→1g(x)\rightarrow1g(x)→1时,退化为普通卷积网络;

Dropout:类似于将直接映射乘以1−p1-p1−p,所以会影响梯度的反向传播;

1×11\times11×1 conv:1×11\times11×1卷积比直接映射拥有更强的表示能力,但是实验效果却不如直接映射,说明该问题更可能是优化问题而非模型容量问题。

yl=xl+F(xl,wl)y_l = x_l + \mathcal{F}(x_l, w_l)yl​=xl​+F(xl​,wl​)
yl+1=xl+1+F(xl+1,wl+1)=f(yl)+F(f(yl),wl+1)y_{l+1} = x_{l+1} + \mathcal{F}(x_{l+1}, w_{l+1}) = f(y_l) + \mathcal{F}(f(y_l), w_{l+1})yl+1​=xl+1​+F(xl+1​,wl+1​)=f(yl​)+F(f(yl​),wl+1​)

在2.1节中,我们得出假设“直接映射是最好的选择”,所以我们希望构造一种结构能够满足直接映射,即定义一个新的残差结构f^(⋅)\hat{f}(\cdot)f^​(⋅):

yl+1=yl+F(f^(yl),wl+1)y_{l+1} = y_l + \mathcal{F}(\hat{f}(y_l), w_{l+1})yl+1​=yl​+F(f^​(yl​),wl+1​)