产品
Tensorflow2.0——卷积神经网络
layers.Conv2D
weight&bias
nn.conv2D
池化：Max/Avg pooling
上采样：upsample
UpSampling2D：
Relu：
MNIST数据集上：99.2%acc ；
网络层：5/6layers：2卷积层+3全连接层
准确率提升10%+
网络层：5卷积层+3全连接层
VGG有不同的版本：VGG11、VGG16、VGG19
创新点：探索了一种更小型的卷积核（1x1、3x3），关注更小的视野，不会损害计算精度，也不会增大所需计算的参数量，效率较佳。
kernel卷积核的数量决定了输出的feature map的大小。
在同一个卷积层中使用不同的卷积核（1x1、3x3、5x5）。综合了不同视角的视野，观察更全面。
假如都使用32个卷积核，输入为[28x28]，那么max pooling会输出[14x14]维度，那么另外三个卷积核的strides都应为2，才能对应输出[14x14]与池化层维度匹配，经过concatenation合并成为32*4 [14x14]个输出。
前面有16层，后面有6层，可以分开使用也可以全部使用，根据target计算loss去优化。
一个网络单元unit：卷积Conv+BatchNorm+池化pooling+激活Relu
ResNet是现在使用最广泛、意义最大的一种卷积神经网络。
深层次的神经网络一步步求导时会导致误差的堆叠，会更容易出现梯度离散和梯度爆炸现象，所以不能一味的堆叠网络层数。
它对每层的输入做一个reference, 学习形成残差函数， 而不是学习一些没有reference的函数。这种残差函数更容易优化，能使网络层数大大加深。
在计算机视觉里，特征的“等级”随增网络深度的加深而变高，研究表明，网络的深度是实现好的效果的重要因素。然而梯度弥散/爆炸成为训练深层次的网络的障碍，导致无法收敛。
有一些方法可以弥补，如归一初始化，各层输入归一化，使得可以收敛的网络的深度提升为原来的十倍。然而，虽然收敛了，但网络却开始退化了，即增加网络层数却导致更大的误差， 如下图。 这种deep plain net收敛率十分低下。
通过在一个浅层网络基础上叠加y=x的层（称identity mappings，恒等映射），可以让网络随深度增加而不退化。这反映了多层非线性网络无法逼近恒等映射网络。
但是，不退化不是我们的目的，我们希望有更好性能的网络。resnet学习的是残差函数F(x) = H(x) - x, 这里如果F(x) = 0, 那么就是上面提到的恒等映射。事实上，resnet是“shortcut connections”的在connections是在恒等映射下的特殊情况，它没有引入额外的参数和计算复杂度。 假如优化目标函数是逼近一个恒等映射, 而不是0映射， 那么学习找到对恒等映射的扰动会比重新学习一个映射函数要容易。从下图可以看出，残差函数一般会有较小的响应波动，表明恒等映射是一个合理的预处理。
残差学习的基本单元：
ResNet：
实际中，考虑计算的成本，对残差块做了计算优化，即将两个3x3的卷积层替换为1x1 + 3x3 + 1x1。新结构中的中间3x3的卷积层首先在一个降维1x1卷积层下减少了计算，然后在另一个1x1的卷积层下做了还原，既保持了精度又减少了计算量。
一个Basic Block包括两个卷积层和一个短接线，在梯度离散时可以退化到短接线直接传递。
两个单元称为一个Res Block:
DenseNet：
准确率比较：
计算量和准确率比较：
可以看出。Inception和ResNet都表现较好，计算量较小准确率高，注意VGG计算量比较大，因为运用的卷积核相对比较大。
Sigmoid函数在深度网络中常常会导致导数逐渐变为0，使得参数无法被更新，神经网络无法被优化。下图可以看出，当输出过大或过小时，sigmoid的梯度接近于0，出现梯度离散现象。
Feature Scaling：
Batch Norm
Pipeline：
优点：收敛速度快、表现更好能够搜索到更优的解、稳定性好、对于超参数没有那么敏感，可以使用更大的学习速率。
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
155-2731-8020
