胡韜

摘 要

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中一個重要組成部分，在深度學(xué)習(xí)圖像識別技術(shù)的應(yīng)用中起到了關(guān)鍵作用，本文先闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本概念和結(jié)構(gòu)，然后介紹和對比了幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，并論述了發(fā)展方向。

關(guān)鍵詞

卷積神經(jīng)網(wǎng)絡(luò);輸入層;卷積層;全連接層;輸出層;AlexNet

中圖分類號： TP183 ? ? ? ? ? ? ? ? 文獻標(biāo)識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.09.058

1 卷積神經(jīng)網(wǎng)絡(luò)的基本概念

卷積神經(jīng)網(wǎng)絡(luò)基于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它類似于傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)，但也有自己的不同之處，卷積神經(jīng)網(wǎng)絡(luò)把圖片轉(zhuǎn)換成二維矩陣格式的數(shù)據(jù)，輸入數(shù)據(jù)，網(wǎng)絡(luò)的各層都以二維矩陣的方式處理數(shù)據(jù)，這樣的數(shù)據(jù)處理方式適用于二維矩陣格式的數(shù)字圖像，相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它能更快更好地把特征值從圖像數(shù)據(jù)中提取出來。

2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)由以下幾個部分組成：輸入層（input），卷積層（convolution），池化層（pooling），全連接層（full-connection）和輸出層（output），如圖1所示。

2.1 輸入層

在輸入層中，主要進行輸入數(shù)據(jù)處理，有兩種常用的方法：去均值：把數(shù)據(jù)的各個維度均中心化為0。歸一化：調(diào)整輸入數(shù)據(jù)到相同的范圍之間，以避免數(shù)據(jù)之間的差距過大而造成的干擾。

2.2 卷積層

卷積層中對數(shù)據(jù)進行卷積運算，卷積運算的主要目的是增強原數(shù)據(jù)的特征信息，并減少噪音。卷積運算一共有三個步驟：

（1）求點積：如圖2，將5x5輸入矩陣中3x3深藍色區(qū)域中每個元素分別與其對應(yīng)位置的權(quán)值（紅色數(shù)字）相乘，然后再相加，所得到的值作為3x3輸出矩陣（綠色的）的第一個元素。

（2）滑動窗口：如圖3，將3x3權(quán)值矩陣向右移動一個格（即步長為1）。

（3）重復(fù)操作：同樣地，將此時深色區(qū)域內(nèi)每個元素分別與對應(yīng)的權(quán)值相乘然后再相加，所得到的值作為輸出矩陣的第二個元素;重復(fù)上述“求點積-滑動窗口”操作，直至得到輸出矩陣所有值。卷積核在2維輸入數(shù)據(jù)上“滑動”，對當(dāng)前輸入部分的元素進行矩陣乘法，然后將結(jié)果匯為單個輸出像素值，重復(fù)這個過程直到遍歷整張圖像，這個過程就叫作卷積，這個權(quán)值矩陣即卷積核，卷積操作后的圖像稱為特征圖。

2.3 池化層

在卷積層之后常常緊接著一個降采樣層，主要目的是減小矩陣的長和寬以及減少輸入矩陣的參數(shù)。計算圖像一個區(qū)域上的某個特定特征的平均值或最大值，這種聚合操作就叫作池化。常用的池化方法有兩種：

（1）均值池化：對池化區(qū)域內(nèi)的像素點取均值，這種方法常用于獲取背景信息，因為得到的特征數(shù)據(jù)對背景信息更敏感。

（2）最大池化： 如圖4，對池化區(qū)域內(nèi)所有像素點取最大值，這種方法常用于獲取紋理特征信息，因為得到的特征數(shù)據(jù)對紋理特征信息更加敏感。卷積層的作用是獲取上一層的局部特征，而池化的作用是合并相似的特征，目的是降維。

2.4 全連接層

類似于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，全連接層的作用是連接所有的神經(jīng)元，向下一層神經(jīng)元傳遞數(shù)據(jù)，上一層的每個神經(jīng)元和下一層的神經(jīng)元都相互連接，因為用到了所有局部特征，所以叫全連接層。全連接層一般跟在所有的卷積層和池化層之后，在輸出層之前，對數(shù)據(jù)進行分類。

2.5 輸出層

輸出層一般在全連接層之后，輸出層通過全連接層的激活函數(shù)輸出各個圖像類別的概率。

2.6 激活函數(shù)

激活函數(shù)的作用是選擇性地對神經(jīng)元節(jié)點進行特征增強或減弱，增強激活有用的目標(biāo)特征，減弱無用的特征，從而可以解決非線性問題。常見的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)、ReLu函數(shù)和Softmax函數(shù)等。Sigmoid函數(shù)在傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)中用得較多，ReLu函數(shù)和Softmax函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中常用。Sigmoid函數(shù)的數(shù)學(xué)模型如下：

3 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型

在卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的歷程中，有不少經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型有著突出的表現(xiàn)，有的在卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程中有重要意義。

AlexNet是一個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，它采用了兩種方法了避免過擬合，第一種方法是Dropout，即以一定的概率（比如0.6）將神經(jīng)元的輸出設(shè)置為0，每一個樣本嘗試了一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每種神經(jīng)網(wǎng)絡(luò)的權(quán)重共享，降低了神經(jīng)元復(fù)雜相互依賴的關(guān)系。但AlexNet也有缺點，其收斂所需要的迭代次數(shù)增加了一倍左右。第二種方法是數(shù)據(jù)增強，即對樣本圖像進行縮放、隨機裁剪、水平翻轉(zhuǎn)、上下翻轉(zhuǎn)改變對比度和白化處理等。

在AlexNet之后，隨后又出現(xiàn)了多種卷積神經(jīng)網(wǎng)絡(luò)模型，其中有VGGNet，GoogleNet模型等。VGGNet是加深版本的AlexNet，VGGNet有VGG16和VGG19兩種，分別是16層和19層的卷積神經(jīng)網(wǎng)絡(luò)模型。而GoogleNet的深度比VGGNet更深，達到了22層，同時在網(wǎng)絡(luò)不同深度增加了損失函數(shù)來避免反向傳播梯度消失，GoogLeNet的一大重要的特點就是使用了Inception模塊，在Inception 出現(xiàn)之前，大部分流行卷積神經(jīng)網(wǎng)絡(luò)僅僅是不斷增加卷積層和池化層，使網(wǎng)絡(luò)越來越深，以此希望能夠得到更好的性能，而Inception模塊在3x3卷積層和5x5卷積層之外還增加了1x1卷積層，1x1卷積層起到了降維的作用，同時使得網(wǎng)絡(luò)的寬度和深度都擴大了。這些模型呈現(xiàn)的趨勢是網(wǎng)絡(luò)的深度和寬度不斷擴大，并且模型準(zhǔn)確率也越來越高，收斂所需要的時間也越來越短。

4 結(jié)語

本文從三個不同方面綜述了卷積神經(jīng)網(wǎng)絡(luò)，分別為：卷積神經(jīng)網(wǎng)絡(luò)的基本概念、卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)主要包含以下幾個部分：輸入層、卷積層、池化層、全連接層、輸出層和激活函數(shù)，本文詳細闡述了每個部分的原理和功能。最后介紹了一些經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，對比了它們之間的優(yōu)缺點并闡述了每種網(wǎng)絡(luò)的特點以及重要意義。

參考文獻

[1]田啟川，王滿麗.深度學(xué)習(xí)算法研究進展[J].計算機工程與應(yīng)用.2016.4.

[2]張亞倩.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].信息通信.2018.11.

[3]黃友文，萬超倫.基于深度學(xué)習(xí)的人體行為識別算法[J].人工智能.2018.10.

[4]俞頌華.卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展和應(yīng)用綜述[J].信息通信.2019.2.

[5]Simonyan K，Zisserman A.Very deep convolutional networks for large-scale image recognition[J].arXiv preprint arXiv：1409.1556，2014.

[6]Zhang Pengfei，Lan Cuiling，Xing Junliang.View Adaptive Neural Networks for High Performance Skeleton-Based Human Action Recognition[C].IEEE.2019.