一些经典 CNN

在计算机视觉的发展过程中，出现了很多经典的卷积神经网络模型，它们对后来的研究有很大影响，这篇文章简要谈谈 LeNet-5、AlexNet 和 VGGNet.

LeNet-5

LeNet-5 是由 LeCun 在 1998 年的一篇论文中提出的，与今天的一些神经网络相比，LeNet-5 是一个小型神经网络，它只有大约 60000 个参数，而今天经常会有包含千万到亿量级参数的神经网络，我们先来看一下 LeNet-5 的模型：

image

如图所示，输入是一张维度为 (32, 32, 1) 的图片，在这个例子中该图片是一张手写体数字的灰度图片，内容为数字 7，由于这是一张灰度图，因此通道数为 1，下面依次对该网络每层进行说明：

• 第一层：
  • 6 个大小为 5 × 5 的过滤器，Padding = 1，Stride = 1. 输出维度为 (28, 28, 6) 的图片。
  • 均值池化层，过滤器大小为 2 × 2，Stride = 2. 输出维度为 (14, 14, 6) 的图片。
• 第二层：
  • 6 个大小为 5 × 5 的过滤器，Padding = 1，Stride = 1. 输出维度为 (10, 10, 6) 的图片。
  • 均值池化层，过滤器大小为 2 × 2，Stride = 2. 输出维度为 (5, 5, 6) 的图片。
• 第三层：全连接层，共 120 个结点
• 第四层：全连接层，共 84 个结点
• 第五层：输出层，输出预测值

Note: 由于池化层并不包含任何参数，因此将其与前一个卷积层共算作一层。

这个网络可以完成手写体数字识别的任务，输入一张大小为 32 × 32 的灰度图，最终输出对图中数字的预测，其中池化层用的是均值池化，而目前更常用的最大池化，另外，现在输出层通常使用 softmax 函数，而当时使用的是另一种函数。

该网络中用到结构在现今仍非常常用，即先使用一层或几层卷积层，再使用一层池化层，然后再使用一层或几层卷积层，再使用一层池化层，最后再使用几层全连接层，最后输出结果。这种结构方式在今天也非常常见。

AlexNet

与 LeNet-5 只有大约 60000 个参数不同，AlexNet 有大约 6 千万个参数，不过这二者拥有很相似的结构，只是 AlexNet 拥有更多的隐藏神经元，在更大的数据上训练，这使得它有更好的性能，它的结构如下

image

• 第一层：
  • 96 个大小为 11 × 11 的过滤器，Padding = 1，Stride = 4. 输出维度为 (55, 55, 96).
  • 最大池化层，过滤器大小为 3 × 3，Stride = 2. 输出维度为 (27, 27, 96).
• 第二层：
  • 256 个大小为 5 × 5 的过滤器，Padding = same，Stride = 1. 输出维度为 (27, 27, 256).
  • 最大池化层，过滤器大小为 3 × 3，Stride = 2. 输出维度为 (13, 13, 256).
• 第三层：384 个大小为 3 × 3 的过滤器，Padding = same，Stride = 1. 输出维度为 (13, 13, 384).
• 第四层：384 个大小为 3 × 3 的过滤器，Padding = same，Stride = 1. 输出维度为 (13, 13, 384).
• 第五层：
  • 256 个大小为 3 × 3 的过滤器，Padding = same，Stride = 1. 输出维度为 (13, 13, 256).
  • 最大池化层：过滤器大小为 3 × 3，Stride = 2. 输出维度为 (6, 6, 256).
• 第六层：全连接层，共 4096 个结点
• 第七层：全连接层，共 4096 个结点
• 第八层：输出层，使用 softmax 输出预测类别

另一个与 LeNet-5 不同之处是，AlexNet 的激活函数使用了 ReLU，而非 LeNet-5 使用的 sigmoid 或者 tanh，这也使得其性能更好一些。

实际上上面列出的结构是原始 AlexNet 的简化，原始的 AlexNet 中还有局部响应归一层，但后来并不太常用，因此这里做了简化。

VGG-16

VGG-16 中的 16 是指该网络中有 16 层带有权重的层，这是一个很大的神经网络，这导致该网络中的参数多达 1 亿 3 千 8 百万个。但是 VGG 的结构非常统一，该网络中的所有卷积层的过滤器大小都是 3 × 3，Stride 都是 1，Padding 都是 same，而池化层过滤器的大小全为 2 × 2，Stride 全为 2。结构方面，总是现有几层卷积层，然后是池化层，再来几层卷积层，再来一个池化层。由于该网络层数很多，结构图稍微简化了一些：

image

其中，

• [CONV 64] × 2 是指两层各有 64 个过滤器的卷积层
• POOL 指池化层
• FC 指全连接层

可以看到，虽然 VGG-16 是一个比较大的网络，但是由于其结构统一，因此受到了许多研究者的青睐，另外还有 VGG-19，指拥有 19 层带有权重的层的 VGG，但由于其性能与 VGG-16 差不多，因此大多数人还是选择用 VGG-16。

以上是对三个经典卷积神经网络的简单介绍，文末附上 AlexNet 和 VGG 的相关论文。

[Krizhevsky et al., 2012. ImageNet classification with deep convolutional neural networks]

[Simonyan & Zisserman 2015. Very deep convolutional networks for large-scale image recognition]