Pytorch：卷积神经网络概述

Pytorch: 卷积神经网络概述

Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, School of Artificial and Intelligence, Huazhong University of Science and Technology

Pytorch教程专栏链接

文章目录

• • • Pytorch: 卷积神经网络概述
  • @[toc]
  • • • 卷积神经网络的基本单元
      • 经典卷积神经网络与调用接口
      • • LetNet-5 网络
        • AlexNet 网络
        • VGG 网络
        • GoogLeNet 网络
        • TextCNN

本教程不商用，仅供学习和参考交流使用，如需转载，请联系本人。

卷积神经网络的基本单元

在 torch.nn 中已经介绍了图像的二维卷积，下面讲解空洞卷积，转置卷积与应用于 NLP 中的二维卷积。

相对于普通卷积，空洞卷积通过在卷积核中添加空洞( $0$ 元素)，从而增大感受野，获取更多信息。感受野为在卷积神经网络中，决定某一层输出结果中一个元素对应的输入层的区域大小，通俗解释就是特征映射上的一个点对应输入图上的区域大小。

对于一个 $3\times 3$ 的 $2$-空洞卷积运算，实际的卷积核大小还是 $3\times 3$ 。但是空洞为 $1$ ，这样卷积核就会扩充一个 $7\times 7$ 的图像块，但只有 $9$ 个红色的点会有权重取值进行卷积操作。也可以理解为卷积核的大小为 $7\times 7$ ，但只有图中的 $9$ 个点的权重不为 $0$ ，其他均为 $0$ 。实际卷积权重只有 $3\times 3$ ，但感受野实际为 $7\times 7$ 。对于 $15\times 15$ 的，实际卷积只有 $9\times 9$ 。

详细的空洞卷积分析参考 torch.nn 那一章。

转置卷积的主要作用是将特征图放大恢复到原来的尺寸，其与原有的卷及操作在计算方法上没有差别。主要区别在于，转置卷积是卷积的反向过程，即卷积操作的输入为转置卷积的输出，卷积操作的输出为转置卷积的输入。

在 NLP 中，由于词嵌入层中每一行都表示一个词语，即每个词语都是有一个词向量表示的，当提取句子中有利于分类的特征时，需要从词语或字符级别提取，也就是说卷积核的宽度要你管管个覆盖完全单个词向量，即二维卷积的卷积核宽度必须等于词向量的维度。

池化操作的一个重要目的就是对卷积后得到的特征映射进行降维，常用的有最大值池化和平均值池化，前文的 torch.nn 中已有介绍。

全连接层通常会放在卷积神经网络的最后几层，起到分类器的作用。连接卷积层时，需要将卷积层的所有特征映射展开为一个向量，作为全连接网络的输入层，然后连接。

经典卷积神经网络与调用接口

LetNet-5 网络

它是最早提出的一类卷积神经网络，主要用于处理手写字体(MNIST)的识别。

AlexNet 网络

$8$ 层，$5$ 个卷积层， $3$ 个全连接层，每个卷积层都包含一个 ReLU ，以及局部响应归一化( LRN )处理，卷积计算后通过最大值池化对特征映射进行降维。

卷积核逐步从 $11$ 减小到 $3$ ，池化层使用大小 $3\times 3$ ，步长为 $2$ 的池化，两个全连接层分别包含 $4096$ 个神经元，最后输出使用 softmax 分类器，包含 $1000$ 个神经元。

import torchvision.models as models
alexnet = models.alexnet()

VGG 网络

四种不同深度层次的卷积神经网络，分别是 $11、13、16、19$ 层。

最常用的分别是 VGG16 和 VGG19 。

在 VGG 网络中，通过使用多个较小卷积核 $3\times 3$ 来代替一个卷积核较大的卷积层，这是它的一个重要特点。作者认为 $2$ 个 $3\times 3$ 的卷积对获得的感受野相当于一个 $7\times 7$ 的卷积。使用小卷积一方面能减少参数，另一方面相当于进行了更多的非线性映射，进一步增强了网络的拟合能力。

它采用 $2\times 2$ 的池化层，并且有更多的特征映射，第一层通道为 $64$ ，后面每层翻倍，逐渐到了 $512$ 个通道，使得它能提取更多信息。且它有更深的层数，能得到更宽的特征映射。

import torchvision.models as models
vgg16 = models.vgg16()
vgg19 = models.vgg19()

GoogLeNet 网络

GoogLeNet 也称作 Inception 。它有 $22$ 层，且没有采用全连接，参数更少。在保证算力的情况下增大网络的深度和宽度。

前几层是正常的卷积层，后面全部用 Inception 堆叠而成。

同时它添加了两个辅助分类器，增加低层网络的分类能力，防止梯度消失，增加网络正则化。

import torchvision.models as models
googlenet = models.googlenet()

TextCNN

应用于自然语言处理的 CNN 。在网络结构中，针对一个句子的词嵌入使用以层卷积层进行文本信息的提取。在卷积操作时，使用高度为 $2、3、4$ 的卷积核，每个有 $2$ 个，共 $6$ 个( $2$ 个 $2\times 5$ ，$2$ 个 $3\times 5$，$2$ 个 $4\times 5$)。因此会得到 $6$ 个向量，对此 $6$ 个各取一个最大值进行池化，然后拼接成一个列向量，该列向量即为通过一层卷积操作提取到的有用信息。

其他的经典卷积网络，比如说 NiN, ResNet, DenseNet 的结构和代码实现，将在后面章节介绍。