AlexNet网络结构特色总结

参考论文：ImageNet Classification with Deep Convolutional Neural Networks

1.特色

1.1 ReLU Nonlinearity的提出

• ReLU是非饱和非线性函数，f(x) = max(0, x)，收敛速度比饱和激活函数快。

优缺点：

• ReLU部分解决了sigmoid的饱和性，缺点是在小于0的地方会出现神经单元死亡，而且不能复活的状况。因此，有关于ReLU的改进方法的提出(leaky ReLU, parameterized ReLU, random ReLU)
• 计算简单。
• 收敛速度快。

1.2 多GPU训练

1. 并行化的方法是将kernel matrix划分为两部分各自放在不一样的GPU上。

2. GPU之间的通讯只发生在部分层。

3. 5个卷积层，3个全链接层。

1.3 Local Response Normalization

• ai是原激活值，bi是抑制后的激活值。

1. 侧面抑制。也就是当前单元激活值，除以两边单元激活值。也就是说，若是一个单元激活值两边的值比它大一些的话，它本身将受到抑制，值会变小。

2. 这也是一种正则化的方法。（brightness normalization）

1.4 Overlapping Pooling

1. stride < kernei_size 那么就会出现重叠池化现象，有利于防止过拟合。

2.防止过拟合的方法

2.1 Data Augmentation

1. 截取图的不一样位置图，以及镜像变换。
2. 利用PCA，add multiples of the found principal components.

2.2 Dropout

1. 训练的时候让这一层部分神经单元输出为0，且不参与反向传播。
2. 测试的时候让这一层利用上全部的神经单元，可是他们的输出值乘上0.5。
3. 解释是，输出乘0.5用来近似指数级dropout网络的几何均值。