深度学习之基于AlexNet实现猫狗大战

这次实验的主角并不是猫狗大战，而是AlexNet网络，只不过数据集为猫狗大战数据集。本次实验利用自己搭建的AlexNet网络实现猫狗大战，测试一下AlexNet网络的性能。

AlexNet网络作为LeNet网络之后得到的网络模型，在很多地方都有了重大的创新，而这些创新就目前来看仍有重大的意义。

1.创新点

1.ReLU非线性函数（ReLU Nonlinearity）
在AlexNet网络之前的网络模型中，大多采用sigmoid或者tanh作为激活函数，但是Alex（AlexNet网络的发明者）发现在训练时间的梯度衰减方面，这些非线性饱和函数比非线性非饱和函数慢很多。在AlexNet中用的非线性非饱和函数：ReLU。实验表明，ReLU比tanh快6倍。
2.利用GPU进行运算
实现高效的GPU卷积运算结构，也使得此后GPU成为深度学习的主要工具。
3.LRN（局部响应归一化）
增加LRN的想法是之前的网络模型中不曾有的，虽然它的作用在后面的网络中没有体现出来，不过也是一次重要的创新。公式如下：

4.Overlapping Pooling
使用重叠的最大池化，以前在卷积神经网络中大部分都采用平均池化，在AlexNet中都是使用最大池化，最大池化可以避免平均池化的模糊化效果。重叠的最大池化是指卷积核的尺寸要大于步长，这样池化层的输出之间会有重叠和覆盖，提升特征的丰富性。在AlexNet中使用的卷积核大小为3×3，横向和纵向的步长都为2。
5.Data Augmentation（数据扩充）
也就是数据增强，使用Random Crop、flip从而上千倍的扩充训练样本的数量，也使得随机裁剪成为通用方法。
6.DropOut
简而言之，这种方法是用来减少过拟合的风险，经过若干次实验发现，创新点5（Data Augmentation）也可以做到防止过拟合。Dropout的原理是通过训练时随机使得一部分结点失效，不贡献连接权重而减少过拟合风险。同时强迫这些神经元去学习互补的一些特征。

2.网络结构

AlexNet网络结构以及各层训练参数的计算如下图所示：

3.AlexNet网络搭建

与原始的AlexNet网络不同的是去除了两层Dropout层，最终的输出参数设置为了分类的类别数2，并且利用BN（BatchNormalization）代替了LRN（并没有太大的作用）。

def AlexNet(nb_classes, input_shape):input_tensor = Input(shape=input_shape)# 1st blockx = Conv2D(96, (11, 11), activation='relu', strides=4, name='block1_conv1')(input_tensor)x = BatchNormalization()(x)x = MaxPooling2D((3, 3), strides=2, name='block1_pool')(x)# 2nd blockx = Conv2D(256, (5, 5), activation='relu', padding='same', name='block2_conv1')(x)x = BatchNormalization()(x)x = MaxPooling2D((3, 3), strides=2, name='block2_pool')(x)# 3rd blockx = Conv2D(384, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)# 4th blockx = Conv2D(384, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)# 5th blockx = Conv2D(256, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)x = MaxPooling2D((3, 3), strides=2, name='block5_pool')(x)# full connectionx = Flatten()(x)x = Dense(4096, activation='relu', name='fc1')(x)#     x = Dropout(0.5)(x)x = Dense(4096, activation='relu', name='fc2')(x)#     x = Dropout(0.5)(x)output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)model = Model(input_tensor, output_tensor)return model
model = AlexNet(2,(height,width,3))

在对猫狗大战数据集进行分类识别时，网络的优化器采用的随机梯度下降法SGD，一开始采用的优化器是Adam，但是效果并不好。

model.compile(optimizer="sgd",loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),metrics=['accuracy']
)

实验结果如下所示：

经过40个epochs之后，模型的准确率在90%左右，效果不错。

总结：本文主要是对AlexNet网络进行的分析，至于数据集的处理，并没有给出相应的代码，在博主之前的博客中，是有详细的代码的，与本文的代码相同。至于Dropout层的处理，路过的大佬可以试验一下效果。
努力加油a啊