【AlexNet】ImageNet Classification with Deep Convolutional Neural Networks
网络架构
- 这是论文中的图
PS:这个图的input尺寸应该是标错了??227*227*3吧??
上图中,其实能明显地看出上面一层和下面一层。上下两层各由一个GPU进行计算(其实是硬件条件补星2333)。这两个GPU只在固定的几层之间进行交流。
- 一个易于计算的示意图
网络总共的层数为8层,5层卷积,3层全连接层。
- 简化的图
- 也有人理解成模块
其中前5模块四卷积模块,用于提取图片特征,后3个模块是全链接层,用于图像分类。
(1)第一、二模块
(2)第三、四模块
(3)第五模块
(4)第六模块
(5)第七、八模块
创新点
- ReLu函数 ---------- f(x)=max(0,x)
什么是饱和函数?
基于ReLU的深度卷积网络比基于tanh和sigmoid的网络训练快数倍,下图是一个基于CIFAR-10的四层卷积网络在tanh和ReLU达到25%的training error的迭代次数:
- 标准化(Local Response Normalization)LRN
在神经网络中,我们用激活函数将神经元的输出做一个非线性映射,但是tanh和sigmoid这些传统的激活函数的值域都是有范围的,但是ReLU激活函数得到的值域没有一个区间,所以要对ReLU得到的结果进行归一化。也就是Local Response Normalization。局部响应归一化的方法如下面的公式:
表示输入的(x,y)位置做第i次卷积并通过relu单元的结果,而是对应的归一化相应结果。 n是指相同位置的第i 次前后附近的n次卷积,而N是总的卷积次数。而且,这个卷积核作用的次序是在训练前就已经定好了。实际上,这个局部响应归一化是模拟生物神经元的侧抑制作用,当前神经元的作用受附近神经元作用的抑制,这样我们就理解为何上图公式,在归一化阶段仅仅除以相同位置附近前后几次的神经元响应的平方,而不是N次结果响应的平方。
- Dropout
之前转载的一篇blog(理解dropout)
- 数据增强(data augmentation)
在深度学习中,当数据量不够大时候,一般有4解决方法:
(1) data augmentation——人工增加训练集的大小——通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据
(2)Regularization——数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差特别大. 通过在Loss Function 后面加上正则项可以抑制过拟合的产生. 缺点是引入了一个需要手动调整的hyper-parameter。
(3)Dropout——也是一种正则化手段. 不过跟以上不同的是它通过随机将部分神经元的输出置零来实现
(4) Unsupervised Pre-training——用Auto-Encoder或者RBM的卷积形式一层一层地做无监督预训练, 最后加上分类层做有监督的Fine-Tuning
参考
什么叫非线性处理单元,非饱和激活函数?
详解深度学习之经典网络架构(二):AlexNet 有代码实现
深入理解AlexNet网络
深入理解AlexNet网络
【AlexNet】ImageNet Classification with Deep Convolutional Neural Networks相关推荐
- AlexNet论文翻译(中英文对照版)-ImageNet Classification with Deep Convolutional Neural Networks
图像分类经典论文翻译汇总:[翻译汇总] 翻译pdf文件下载:[下载地址] 此版为中英文对照版,纯中文版请稳步:[AlexNet纯中文版] ImageNet Classification with De ...
- 论文《ImageNet Classification with Deep Convolutional Neural Networks》阅读及AlexNet的Tensorflow2复现
论文<ImageNet Classification with Deep Convolutional Neural Networks>阅读及AlexNet的Tensorflow2复现 论文 ...
- 经典DL论文研读(part4)--ImageNet Classification with Deep Convolutional Neural Networks
学习笔记,仅供参考,有错必纠 文章目录 ImageNet Classification with Deep Convolutional Neural Networks 摘要 Introduction ...
- 《每日论文》ImageNet Classification with Deep Convolutional Neural Networks
这篇论文是剖析 CNN 领域的经典之作,也是入门 CNN 的必读论文.作者训练了一个面向数量为 1.2 百万的高分辨率的图像数据集 ImageNet, 图像的种类为 1000 种的深度卷积神经网络. ...
- ImageNet Classification with Deep Convolutional Neural Networks论文翻译——中文版
文章作者:Tyan 博客:noahsnail.com | CSDN | 简书 翻译论文汇总:https://github.com/SnailTyan/deep-learning-papers- ...
- 论文研读 —— 6. ImageNet Classification with Deep Convolutional Neural Networks (1/3)
文章目录 Authors and Publishment Authors Bibtex Abstract 1. Introduction 2. The Dataset Authors and Publ ...
- ImageNet Classification with Deep Convolutional Neural Networks论文翻译——中英文对照
文章作者:Tyan 博客:noahsnail.com | CSDN | 简书 翻译论文汇总:https://github.com/SnailTyan/deep-learning-papers- ...
- 《ImageNet Classification with Deep Convolutional Neural Networks》翻译
1 引言 2 数据集 3 架构 3.1 ReLU 非线性 3.2 训练多个GPU 3.3 局部响应归一化 3.4 重叠池化 3.5 整体架构 4 减少过拟合 4.1 数据增强 4.2 Dropout ...
- 论文研读 —— 6. ImageNet Classification with Deep Convolutional Neural Networks (2/3)
文章目录 3. The Architecture 3.1. ReLU Nonlinearity 3.2. Training on Multiple GPUs 3.3. Local Response N ...
最新文章
- 【案例】城市地址三级联动
- 博士在读却连矩阵的秩都搞不清,我该如何毕业?
- Slide:11g新特性-在线实施补丁online patching
- 找出最大和第二大的数PHP,2020-09-01 十大经典排序算法总结php为例
- 手把手教你查看android系统源码
- WCF,Net remoting,Web service概念(转)
- Docker自动补全容器名
- 计算机应用考试其一级属于中级,计算机软件水平考试可以直接考中级吗?
- php 获取系统环境变量,java读取操作系统环境变量
- 教你一秒理解setInterval与setTimeout的使用和区别
- Spark算子:RDD基本转换操作(2)–coalesce、repartition
- 话筒性能测试软件,LogiTech的话筒屏蔽性能测试方案
- 不用 qlv 格式转换成 mp4 - 优雅的下载腾讯视(mp4 格式)
- 德保罗大学计算机专业,2020年德保罗大学排名TFE Times美国最佳计算机科学硕士专业排名第75...
- php怎么实现网页切图,CSS_网站页面切图与CSS注意事项,一、Web页面切图
1) Web页面的 - phpStudy...
- 安徽阜阳计算机高中学校排名,安徽省高中学校实力排名
- BUUCTF 2021-10-4 Pwn
- python基础知识之整除、取余、幂运算
- 诚之和:虚假滤镜、照骗风波,小红书到底得了什么病?
- python组件化软件github_GitHub - cqingt/wepy: 小程序组件化开发框架
热门文章
- 从最近一次的计算机攻击中,我们学到的经验教训
- Linux错误:bash:finger 未找到命令...
- asp.net web开发框架_Web前端开发必不可少的9个开源框架
- 银河土星_不要购买三星银河笔记20
- flutter图片识别_Flutter 图片解码与缓存管理研究
- 计算机设备名称在哪里找,如何查看电脑驱动
- 【无人机航测实习简明教程】1 无人机航测常见名词术语解释
- React(4. 2)--数据流(实践篇)
- 不会编程,别着急!免编程工具助你快速开发App
- 基本系统调用性能lmbench测试方法和下载