4.7 KiB
知名的 CNN 架构
VGG-16
VGG-16 是一个在 2014 年的 ImageNet 前五名分类中达到 92.7% 准确率的网络。它具有以下层结构：
如你所见，VGG 遵循传统的金字塔架构，这是一个卷积-池化层的序列。
图片来自 Researchgate
ResNet
ResNet 是微软研究院在 2015 年提出的一系列模型。ResNet 的主要思想是使用 残差块：
图片来自 这篇论文
使用恒等传递的原因在于让我们的层预测 前一层的结果与残差块的输出之间的差异，因此得名 残差。这些块更容易训练，并且可以构建包含数百个这样的块的网络（最常见的变体是 ResNet-52、ResNet-101 和 ResNet-152）。
你也可以将这个网络视为能够根据数据集调整其复杂性。最初，当你开始训练网络时，权重值较小，大部分信号通过恒等传递层。当训练进行时，权重变得更大，网络参数的显著性增加，网络会调整以满足正确分类训练图像所需的表达能力。
Google Inception
Google Inception 架构在这个想法上更进一步，将每个网络层构建为多个不同路径的组合：
图片来自 Researchgate
在这里，我们需要强调 1x1 卷积的作用，因为乍一看它们似乎没有意义。为什么我们需要使用 1x1 的滤波器遍历图像？然而，你需要记住，卷积滤波器也与多个深度通道一起工作（最初是 RGB 颜色，在后续层中是不同滤波器的通道），而 1x1 卷积用于使用不同的可训练权重将这些输入通道混合在一起。它也可以被视为在通道维度上的下采样（池化）。
这里有 一篇关于此主题的好博客文章，以及 原始论文。
MobileNet
MobileNet 是一系列尺寸较小的模型，适合移动设备使用。如果你的资源有限，并且可以牺牲一些准确性，可以使用它们。它们的主要思想是所谓的 深度可分离卷积，允许通过空间卷积和对深度通道的 1x1 卷积的组合来表示卷积滤波器。这显著减少了参数的数量，使网络的大小更小，并且在较少数据的情况下更易于训练。
结论
在本单元中，你学习了计算机视觉神经网络的主要概念——卷积网络。驱动图像分类、物体检测甚至图像生成网络的实际架构都是基于 CNN 的，只是具有更多层和一些额外的训练技巧。
🚀 挑战
在随附的笔记本中，底部有关于如何获得更高准确性的说明。做一些实验，看看你能否达到更高的准确性。
课后测验
复习与自学
虽然 CNN 最常用于计算机视觉任务，但它们通常适合提取固定大小的模式。例如，如果我们处理声音，我们也可能想使用 CNN 来寻找音频信号中的某些特定模式——在这种情况下，滤波器将是 1 维的（而这个 CNN 将被称为 1D-CNN）。此外，有时使用 3D-CNN 来提取多维空间中的特征，例如视频中发生的某些事件——CNN 可以捕捉随时间变化的特征模式。进行一些关于 CNN 可以完成的其他任务的复习和自学。
作业
在这个实验中，你的任务是对不同的猫和狗品种进行分类。这些图像比 MNIST 数据集更复杂，维度更高，并且类别超过 10 个。
免责声明： 本文件使用机器翻译的人工智能服务进行翻译。虽然我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。原始文件的母语版本应被视为权威来源。对于关键信息，建议进行专业人工翻译。我们对因使用此翻译而导致的任何误解或误释不承担责任。