深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks
- 作者
- 摘要
- 引言
- 数据集
- 架构
- Relu非线性
- 多GPU训练
- 局部响应归一化
- 重叠池化
- 整体架构
- 减少过拟合
- 数据增强
- 随机失活
- 训练细节
- 结果
- 定性评估
- 讨论
论文的题目就是标题啦,想必大家都听说过它的大名!介绍了一个经典的卷积神经网络
这里有几点要提醒大家
- 不要带入当下的环境
- 尽量把自己带入当时论文创作的环境下思考他为什么能脱颖而出
- 不要纠结论文里的深度两个字!
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/1abd01f85c71494bb3e093e77d9b5511.jpg)
文章图片
看到作者,想必大家学深度学习的都有听说过,都是巨头啊~!质量一定不错,可以学到好多东西!所以大家跟着我一起研读吧!
摘要
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/16d31e8bd34c45baba2c11177d4e23d4.jpg)
文章图片
大概意思是:我们训练了一个大型深度卷积神经网络来将ImageNet LSVRC-2010竞赛的120万高分辨率的图像分到1000不同的类别中。在测试数据上,我们得到了top-1 37.5%, top-5 17.0%的错误率,这个结果比目前的最好结果好很多。这个神经网络有6000万参数和650000个神经元,包含5个卷积层(某些卷积层后面带有最大化池化层)和3个全连接层,最后是一个1000维的softmax。为了训练的更快,我们使用了非饱和神经元并对卷积操作进行了非常有效的GPU实现。为了减少全连接层的过拟合,我们采用了一个最近开发的名为dropout的正则化方法,结果证明是非常有效的。我们也使用这个模型的一个变种参加了ILSVRC-2012竞赛,赢得了冠军并且与第二名 top-5 26.2%的错误率相比,我们取得了top-5 15.3%的错误率。
引言
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/4651c186dc764e2aa7dea4bcd8ac4dbb.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/03d9821fabd14332802a41dedcb1924e.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/8a8ec2b9c23e49b2b6f917cb02f4d922.jpg)
文章图片
- 介绍了一下论文用的数据集
- 指出因此,与具有层次大小相似的标准前馈神经网络,CNNs有更少的连接和参数,因此它们更容易训练,而它们理论上的最佳性能可能仅比标准前馈神经网络差一点。
- GPU训练
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/4b603c9af21141d990850771df519167.jpg)
文章图片
架构
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/7a5c88244253431a91e4ce111f1fac44.jpg)
文章图片
Relu非线性
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/3871d6c39ee341b69207f4bde9bf19c4.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/2b38f3a20b834ae0845e94966b06a057.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/b4d5f1c7b1f7490c8c38809023368e0c.jpg)
文章图片
- 提出了Relu的优势,除了我们熟知的可以规避一些和sigmoid那样的梯度消失问题还可以缩短训练时间
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/58f86fb1d05f49c48f07fc563ab83e59.jpg)
文章图片
当时是网络过大才放到多GPU,但是随着==“科技的进步”==现在一般是不同模型放到不同gpu上测试模型效果,或者多gpu训练数据
局部响应归一化
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/a03eb936cd5d413ba04340347e68d5b3.jpg)
文章图片
重叠池化
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/23646404b7864eaeb1b5e00661b6888f.jpg)
文章图片
整体架构
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/80cacf5c40a44970b347b58fa646bc35.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/a10881a389a24232ae85634bd9d4a369.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/08bc98deee0c4a74bc42901180662e6f.jpg)
文章图片
减少过拟合
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/b1b650d464bf467daa6e62d4b2fe68d2.jpg)
文章图片
数据增强
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/9c4a78a63f3e4e9ab0c00696d99a44fd.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/79b871b1f0c847e18028417f83d75bd0.jpg)
文章图片
随机失活
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/ee85af3c2231494eacc3a33b1b348d2f.jpg)
文章图片
训练细节
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/cf4fc15470ca488c8ff4c072c90bac71.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/9933c38d51634794bc838f054ba7cbb6.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/37afdc77eaa644b3a524ba216e382899.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/511eb2a0ede14bcb9647975e2adcf1e4.jpg)
文章图片
结果
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/379b7abe520b45aa8248ae10862bfaeb.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/325665bb7ffb48beb16e8589f13c6646.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/ae26bd5f2688485da9e690d863e11022.jpg)
文章图片
定性评估
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/0c5c0416e3914803a490bdf6c4556457.jpg)
文章图片
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/4ac60c9a5b4b4df4aa7fbe4eaf9b22b0.jpg)
文章图片
讨论 【深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks】
![深度学习经典研读——ImageNet Classification with Deep Convolutional Neural Networks](https://img.it610.com/image/info8/d1c521247611422ba0d54bfc15eb9fc0.jpg)
文章图片
推荐阅读
- C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
- paddle|动手从头实现LSTM
- pytorch|使用pytorch从头实现多层LSTM
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- pytorch|YOLOX 阅读笔记
- 前沿论文|论文精读(Neural Architecture Search without Training)
- 联邦学习|【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning
- OpenCV|OpenCV-Python实战(18)——深度学习简介与入门示例
- 深度学习|深度学习笔记总结
- 《繁凡的深度学习笔记》|一文绝对让你完全弄懂信息熵、相对熵、交叉熵的意义《繁凡的深度学习笔记》第 3 章 分类问题与信息论基础(中)(DL笔记整理