网站定制开发是什么意思浙江短视频seo优化网站

零、如何读论文

        读三遍：

        1. 第一遍

                读完标题和摘要后，直接跳到结论，这几个部分读完就大概知道文章在讲什么东西了，之后还可以看一下正文中的图表，判断一下这篇文章是否适合自己，是否要继续读；

        2. 第二遍

                按顺序通读一遍全文，了解文章中的图表、方法都在干什么，有什么特点，这期间遇到不懂的细节可以先做标记，之后如果要精读再去研究引用的相关论文。读完之后根据需要选择是否需要精读；

        3. 第三遍

                精读，读的时候思考如果是我来做我会怎么做，想象自己来实现整篇文章。

一、AlexNet

        AlexNet 是深度学习的奠基之作，其精髓在于它首次成功证明了深度卷积神经网络（CNN）在大规模图像识别任务上的卓越性能，并引入或有效推广了几项关键技术和设计理念。

        1. 深度网络的可行性

                AlexNet 拥有 8 层学习层（5 个卷积层 + 3 个全连接层），这在当时是“非常深”的网络。它在ImageNet上的成功证明了深度网络的可行性；它的架构展示了深度学习的过程就是一个知识的压缩过程，将原始信息的尺寸(size)逐渐压缩，但信息密度(channel)逐渐增大，将人类能看懂的一个个像素压缩成机器能看懂的向量。

AlexNet整体架构

        2. ReLu的应用

                激活函数使用ReLu而不是当时常用的tanh和sigmoid，发现训练速度要更快。虽然当时认为ReLu更快的原因现在看来都不是很对，但现在仍然流行ReLu，因为它更简单。

        3. 多GPU训练

                受限于当时 GPU 显存，模型被拆分成两部分，分别在两块 NVIDIA GTX 580 GPU 上并行训练，并在特定层进行通信。这启发了后续更大模型的分布式训练策略。

        4. 重叠池化

                使用步长 (stride=2) 小于池化窗口大小 (size=3) 的池化操作。相比于传统的非重叠池化 (stride=size)，重叠池化能略微提升精度，并有助于减轻过拟合（通过引入轻微的空间平移不变性扰动）。它代表了池化操作的一种优化选择。

        5. Dropout的应用

                Dropout就是在训练期间，以一定概率（前两个全连接层设为 0.5）随机将神经元的输出置零。在当时人们会采用模型融合（结合多个模型的预测结果）来避免过拟合，但是对于本身就需要数天来训练的深度网络来说成本太昂贵了，所以作者使用了Dropout，认为其效果相当于每次输入就得到一个新模型，等价于模型融合。不过后来的研究发现Dropout更多等价于一个L2正则项。

        6. 数据增强

                采用图像平移和水平翻转（生成位置和镜像变化）、改变 RGB 通道强度（使用 PCA 对 RGB 像素值进行扰动，模拟光照和颜色变化）等技术来扩充训练数据，利用有限的数据生成更多的训练样本，提高模型的泛化能力，是缓解过拟合的关键且成本低廉的方法。

二、ResNet

        ResNet的精髓在于使用了Residual Connection（残差连接）来更好地训练很深的网络，避免了退化问题和梯度消失问题。所谓退化问题指网络较浅时效果好，加深后反而不好，这不合常理，因为如果更深的层次没用，将其设为恒等映射也不至于效果更差。

        1. Residual Connection

                残差连接就是将浅层的输出跳跃到深层的输出处将两者相加，使网络学习残差映射（F(x) = H(x) - x）而不是目标映射 (H(x))。若最优映射接近恒等变换（H(x) = x），则学习残差 F(x) → 0 比学习完整映射更易优化。

                另外残差连接还解决了梯度消失的问题，使得训练更快。梯度消失是指由于反向传播中使用了求梯度的链式法则，如果梯度都是小于1的，连乘之后会接近0导致梯度消失。而残差连接的输出是F(x) + x，其梯度由于加法的存在不会变为0，避免了梯度消失问题。

梯度公式

        2. Bottleneck Block

                当层数比较深时输入输出的通道数会比较大，这时如果直接计算的话复杂度会比较高，ResNet采用了Bottleneck Block的设计，先使用1*1的卷积对输入进行降维，计算以后再用1*1的卷积对输出进行升维还原回原来的维度，这样可以将复杂度降低到与降维之后的通道数差不多。

Building Block (左) Bottleneck Block (右)