个人公众号,欢迎关注
youchounobb
1.首先对深度学习做一个简单的回顾
2.介绍densenet
3.参考文献
1.1 dnn回顾
如下图所示是一个基本dnn结构，通过forward传播和backword传播来训练一个模型。包含input层，l个隐藏层和一个output，隐层使用的sigmoid激活函数，一般的优化方法有如下几种：
gd：对所有样本计算完一次梯度然后更新权重
sgd：每个样本计算一次梯度就更新权重
mini-batch-gd:对小部分样本计算梯度，然后更新权重
momentum:加速度和速度在相同方向的时候，参数的更新得到加速，可以加快收敛速度
1.2 发展
在2012年alexnet的出现让深度学习重新成为研究热点，在alexnet中，使用了一些新的优化方法：dropout,relu,gpu bigdata。之后的发展主要有增加网络深度，增强卷积模块功能，检测任务，新的功能单元等
在imagenet上，随着误差的降低，网络的深度呈现加深的趋势，在resnet之前，很少超过20层的网络
1.3 卷积层 convolution
通过使用卷积核对图片提取特征，操作非常简单，对应位置相乘然后求和，然后卷积核根据步长滑动提取整个图片特征。不同的卷积核能提取不同的特征。
1.4 relu激活函数
sigmoid有一个非常致命的缺点，当输入非常大或者非常小的时候，这些神经元的梯度是接近于0的.
如果你的初始值很大的话，大部分神经元可能都会处在饱和的状态而把gradientkill掉，这会导致网络变的很难学习。
sigmoid的output不是0均值. 这是不可取的，因为这会导致后一层的神经元将得到上一层输出的非0均值的信号作为输入。产生的一个结果就是：如果数据进入神经元的时候是正的，那么w计算出的梯度也会始终都是正的。
使用 relu得到的sgd的收敛速度会比sigmoid/tanh快很多，相比于sigmoid/tanh，relu只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算。relu能加速训练，导数好求，在反向传播时速度快，激活部分梯度是1，梯度不容易消失，而sigmoid和tanh在两端梯度消失严重。
1.5 pooling
1.6 dropout
具体过程是，在某个mini-batch的训练中，随机隐藏部分神经元，这样就只能更新其他节点的参数，隐藏的这些没有更新，在下次迭代的时候再随机隐藏部分神经元，只更新剩下的节点参数。训练完成之后，在预测的时候还是使用所有节点来预测。
ensemble的作用： 先回到正常的模型（没有dropout），我们用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果。（例如 3个网络判断结果为数字9,那么很有可能真正的结果就是数字9，其它两个网络给出了错误结果）。这种“综合起来取平均”的策略通常可以有效防止过拟合问题。因为不同的网络可能产生不同的过拟合，取平均则有可能让一些“相反的”拟合互相抵消。dropout掉不同的隐藏神经元就类似在训练不同的网络（随机删掉一半隐藏神经元导致网络结构已经不同)，整个dropout过程就相当于 对很多个不同的神经网络取平均。而不同的网络产生不同的过拟合，一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合。
因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现。（这样权值的更新不再依赖于有固定关系的隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况）。 迫使网络去学习更加鲁棒的特征 （这些特征在其它的神经元的随机子集中也存在）。换句话说假如我们的神经网络是在做出某种预测，它不应该对一些特定的线索片段太过敏感，即使丢失特定的线索，它也应该可以从众多其它线索中学习一些共同的模式（鲁棒性）。这个角度看 dropout就有点像l1，l2正则，减少权重使得网络对丢失特定神经元连接的鲁棒性提高，隐藏部分节点之后，强迫剩下的节点学习更重要的特征。
1.7 batch normalization
大家都知道在统计机器学习中的一个经典假设是“源空间（source domain）和目标空间（target domain）的数据分布（distribution）是一致的”。如果不一致，那么就出现了新的机器学习问题，如，transfer learning/domain adaptation（迁移学习，领域适应）等。
如果分布改变，网络越深，分布变化越明显，不能学习到很好的参数。在其他资料上有指出batch normalization的本质是防止梯度弥散。
1.8 gradient vanish
我们知道在反向传播的时候，根据链式求导来计算梯度，并更新参数。反向传播时经过该层的梯度是要乘以该层的参数的，从l层传到k层的连乘就是问题所在，同样bn也是为了解决这个问题。
2.1 resnet
resnet的出现很好的解决了梯度弥散的问题，使得更深的网络得以更好的训练。第l层的网络是由l-1层的网络经过h(包括conv,bn,relu,pooling)变换得到，在此基础上直接连接到上一层的网络。使得梯度能够得到更好的传播。
举个例子，后面的网络需要排队来领取梯度信息，但是排到越后面的网络领到的梯度很少甚至没有，这个时候直接开辟一条新的道路(skip connection)，将梯度信息传递到后面的网络。
其实最先超过100层的网络是highway networks，非常形象的把这种结构比喻成高速公路。后来通过随机删掉一些层可以训练到1202层的resnet。
2.2 densenet
densenet和resnet的一个明显区别是，resnet是求和，而densenet是做一个拼接，每一层网络的输入包括前面所有层网络的输出。第l层的输入等于k x (l-1) k0，其中k是生长率，表示每一层的通道数，比如下图网络的通道数为4。
densenet提升了信息和梯度在网络中的传输效率，每层都能直接从损失函数拿到梯度，并且直接得到输入信号，这样就能训练更深的网络，这种网络结构还有正则化的效果。其他网络致力于从深度和宽度来提升网络性能，
densenet致力于从特征重用的角度来提升网络性能
上面图中的结构是一个dense block，下图的结构是一个完整的dense net，包括3个dense block。可以发现在block之间没有dense连接，因为在pooling操作之后，改变了feature maps的大小，这时候就没法做dense 连接了。在两个block之间的是transition layer ,包括了conv ,pool，在实验中使用的是bn,(1x1 conv),(2x2 avg pool)。
这种结构的好处是可以缓解梯度消失，省参数省计算，特征重用可以起到抗过拟合的作用。达到相同的精度，dense net只需要res net一半的参数和一半的计算量。
2.3 冗余
在使用密集连接时候的网络显得比较冗余，这样会不会增大参数量呢，densenet很好的处理了这个问题。它将每一层都设计的特别窄，在dense block中的每一个单元实际上都是一个 bottleneck layer，其中包括一个 1x1 conv和一个3x3 conv。在block之间还有个transition layer，包括一个bn，一个1x1的conv和一个pooling，同样起到了降低冗余的作用，一个block中有m个feature maps，通过一个0-1之间的参数来限制输出的feature maps数量。
这种设计可以很好的降低参数量，googlenet也是用这种方式来降低参数的，下图是googlenet的一个功能模块，由1x1 64通道（通道可以理解为就是卷积核的数量）,3x3 128通道,5x5 32通道的convolution和一个3x3 max pooling构成，输入的是28x28的图片192通道。那么可以分别计算出这3个卷积层的参数数量，为上一个通道数乘上当前卷积核的大小和通道数。可以算出来一个功能模块有38w个参数。
功能模块使用1x1的卷积核来实现降低参数量，方式为在3x3，5x5的卷积核之前分别添加1x1x96,1x1x16的卷积核，在pooling之后添加1x1x32的卷积核。用同样的方式来计算参数量，上一个通道数乘上当前卷积核的大小和通道数。得到当前功能模块的参数量为16w，所以可以使用1x1的卷积核，通过改变通道大小来进行参数降低。
下面的图表示3个block中特征的热力图，颜色越深表示特征越重要，可以看到浅层特征同样会被利用到
下面是densenet的主要代码，就不作过多介绍了
2.4内存优化
densenet的内存主要耗费在拼接过程，每次拼接都会开辟新的内存空间。那么可以使用共享内存来解决这个问题，另一个是forward和backward的内存依赖，粉红色是forward，深红色是backward。forward的时候内存不能释放，backward的时候可以，计算完一块红色的就能直接释放，深红依赖粉红，粉红的也可以释放，在计算深红的时候重新计算粉红，这样会多耗费15%的时间，但是能节省70%的空间。
2.5 dpn
dpn获得了最后一届imagenet的冠军，主要思想是融合了resnet和densenet，这里就不作过多介绍了。