一、几种典型的卷积神经网络

1.1、Lenet-5

出自论文Gradient-Based Learning Applied to Document Recognition，是Yann LeCun 1998年提出的一种用于手写体字符识别的非常高效的卷积神经网络，对MNIST数据集的分识别准确度可达99.2%。。的网络结构如下图所示：

Lenet-5 结构示意图

1.2、AlexNet

是第一个现代深度卷积网络模型，其首次 使用了很多现代深度卷积网络的一些技术方法，比如使用GPU进行并行训练， 采用了ReLU作为非线性激活函数，使用Dropout防止过拟合，使用数据增强 来提高模型准确率等。赢得了2012年ImageNet图像分类竞赛的冠军。 的结构如下图所示，包括5个卷积层、 3个全连接层和1个softmax 层。

AlexNet 结构示意图

1.3、VGGNet

是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的深度卷积神经网络。探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠33的小型卷积核和22的最大池化层，成功地构筑了16~19层深的卷积神经网络。相比之前state-of-the-art的网络结构，错误率大幅下降， 论文中全部使用了33的小型卷积核和22的最大池化核，通过不断加深网络结构来提升性能。

VGG-16 结构示意图

1.4、GoogLeNet

在卷积网络中，如何设置卷积层的卷积核大小是一个十分关键的问题。在 Inception网络中，一个卷积层包含多个不同大小的卷积操作，称为Inception模 块。Inception网络是由有多个inception模块和少量的汇聚层堆叠而成。Inception模块同时使用1×1、3×3、5×5等不同大小的卷积核，并将得 到的特征映射在深度上拼接（堆叠）起来作为输出特征映射。
GoogLeNet由9个Inceptionv1模块和5个汇聚层以及其它一些卷积层和全 连接层构成，总共为22层网络，如下图所示。为了解决梯度消失问题，GoogLeNet 在网络中间层引入两个辅助分类器来加强监督信息。

Inception v1 的模块结构

GoogLeNet 网络结构

1.5、ResNet

残差网络（Residual Network，ResNet）是通过给非线性的卷积层增加直连边的方式来提高信息的传播效率。
假设在一个深度网络中，期望一个非线性单元（可以为一层或多层的 卷积层） 去逼近一个目标函数为。如果将目标函数拆分成两部分：恒等函数（Identity Function）和残差函数（Residue Function）。

简单的残差单元结构

34层普通卷积网络与残差网络的对比

二、ResNet的手动实现

1. 库和数据的导入。这次采用CIFAR10数据集，CIFAR-10是一个更接近普适物体的彩色图像数据集。一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

import torch 
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
from sklearn.manifold import TSNE
import numpy as np
from matplotlib import cm
import matplotlib.pyplot as plt

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

num_epochs = 30
batch_size = 100
learning_rate = 0.001
transform = transforms.Compose([
        transforms.Pad(4),
        transforms.RandomHorizontalFlip(),
        transforms.RandomCrop(32),
        transforms.ToTensor()])

train_dataset = torchvision.datasets.CIFAR10(root='Data', train=True, transform = transform, download = True)
test_dataset = torchvision.datasets.CIFAR10(root='Data', train=False, transform = transforms.ToTensor(), download = False)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size = batch_size, shuffle= True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size = batch_size, shuffle= False)

CIFAR10举例

由于batch_size为100，因此训练集共分为500组，测试集共分为100组。

print('train size:{}, test size:{}'.format(len(train_loader),len(test_loader)))
#train size:500, test size:100

可视化其中部分图片如下：

from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image，方便可视化
fig = plt.figure()
fig.subplots_adjust(left=0,right=1,bottom=0,top=0.8,hspace=0.2,wspace=0.1)
for i in range(6):
    (image,label) = test_dataset[i]
    ax = fig.add_subplot(2,3,i+1,xticks=[],yticks=[])
    plt.title('{}'.format(classes[label]))
    ax.imshow(show(image))

2. 残差网络的设计。分为残差网络和残差单元两部分。

class ResidualBlock(nn.Module):
    def __init__(self,in_channel,out_channel,stride=1,downsample=None):
        super(ResidualBlock,self).__init__()
        self.conv1 = nn.Conv2d(in_channel,out_channel,kernel_size=3,stride=stride,padding=1)
        self.bn1 = nn.BatchNorm2d(out_channel)
        self.relu = nn.ReLU()
        self.conv2 = nn.Conv2d(out_channel,out_channel,kernel_size=3,stride=1,padding=1)
        self.bn2 = nn.BatchNorm2d(out_channel)
        self.downsample = downsample
        
    def forward(self,x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        
        if self.downsample:
            residual = self.downsample(x)
        out += residual
        out = self.relu(out)
        return out
    
class ResNet(nn.Module):
    def __init__(self,block,num_classes=10):
        super(ResNet, self).__init__()
        self.in_channel = 16
        self.conv1 = nn.Conv2d(3,16, stride =1, kernel_size = 3, padding = 1)
        self.bn = nn.BatchNorm2d(16)
        self.relu = nn.ReLU()
        
        self.block1 = self.make_layer(block,16,1)
        self.block2 = self.make_layer(block,16,1)
        self.block3 = self.make_layer(block,32,2)
        self.block4 = self.make_layer(block,32,1)
        self.block5 = self.make_layer(block,64,2)
        self.block6 = self.make_layer(block,64,1)
        self.avg_pool = nn.AvgPool2d(8)
        self.fc = nn.Linear(64,num_classes)
        
    def make_layer(self,block,out_channel,stride=1):
        downsample = None
        if (stride != 1) or (self.in_channel != out_channel):
            downsample = nn.Sequential(
                    nn.Conv2d(self.in_channel,out_channel,kernel_size=3,stride=stride,padding=1),
                    nn.BatchNorm2d(out_channel))
        out_layer = block(self.in_channel, out_channel, stride, downsample)
        self.in_channel = out_channel
        return out_layer
    
    def forward(self,x):
        out = self.conv1(x)
        out = self.bn(out)
        out = self.relu(out)
        out = self.block1(out)
        out = self.block2(out)
        out = self.block3(out)
        out = self.block4(out)
        out = self.block5(out)
        out = self.block6(out)
        out = self.avg_pool(out)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

3. 网络训练即测试过程。

resnet = ResNet(ResidualBlock).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(resnet.parameters(),lr=learning_rate)

def update_lr(optimizer,lr):
    for para in optimizer.param_groups:
        para['lr'] = lr
        
total_step = len(train_loader)
curr_lr = learning_rate
for epoch in range(num_epochs):
    for idx,(images,labels) in enumerate(train_loader):
        images = images.to(device)
        labels = labels.to(device)
        #print(images.shape)
        outputs = resnet(images)
        loss = criterion(outputs,labels)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        if (idx+1)%100 == 0:
            print ("Epoch [{}/{}], Step [{}/{}] Loss: {:.4f}".format(epoch+1, num_epochs, idx+1, total_step, loss.item()))

    # Decay learning rate
    if (epoch+1) % 20 == 0:
        curr_lr /= 3
        update_lr(optimizer, curr_lr)

with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        outputs = resnet(images)
        predicted = torch.argmax(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum()
    print('Test Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total))  

可见在测试集上准确率为84 %，说明了网络的有效性。
Test Accuracy of the model on the 10000 test images: 84 %

4. 分类结果的可视化。

classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')
#visualization of trained flatten layer (t-SNE)
tsne = TSNE(perplexity=30,n_components=2,init='pca',n_iter=5000)
plot_only = 500
low_dim_embs = tsne.fit_transform(outputs.data.cpu().numpy())[:plot_only,:]
plot_labels = labels.cpu().numpy()[:plot_only]
plot_with_labels(low_dim_embs,plot_labels)
   
def plot_with_labels(lowDWeights, labels):
    plt.cla()
    X, Y = lowDWeights[:, 0], lowDWeights[:, 1]
    for x, y, s in zip(X, Y, labels):
        c = cm.rainbow(int(255 * s / 9)); plt.text(x, y, classes[s], backgroundcolor=c, fontsize=9)
    plt.xlim(X.min(), X.max()); plt.ylim(Y.min(), Y.max()); plt.title('Visualize last layer'); plt.show(); plt.pause(0.01)

分类结果可视化

参考资料

[1] Vishnu Subramanian. Deep Learning with PyTorch. Packet Publishing. 2018.
[2] 邱锡鹏 著，神经网络与深度学习. https://nndl.github.io/ 2019.
[3] 肖智清 著，神经网络与PyTorch实战. 北京：机械工业出版社. 2018.
[4] 唐进民 编著，深度学习之PyTorch实战计算机视觉. 北京：电子工业出版社. 2018.
[5] Ian Goodfellow 等 著, 赵申剑等 译, 深度学习. 北京：人民邮电出版社, 2017.
[6] https://github.com/harsh-99/PyTorch-Tutorials

布被秋宵梦觉，眼前万里江山. ——辛弃疾《清平乐·独宿博山王氏庵》