深度学习资料梳理

标签：输出 map 卷积模型深度网络资料梳理输入

1.概念

1.1 pipeline

一个基础的深度学习的Pipeline 主要包含了下述 5 个步骤（5个步骤可以抽象为一个包括多个步骤的流水线式工作，从数据收集开始至输出我们需要的最终结果。）：

（1）.数据读取
（2）.数据预处理
（3）.创建模型（具体到模型也有相应的Pipeline,比如模型的具体构成部分：比如GCN+Attention+MLP的混合模型）
（4）.评估模型结果
（5）.模型调参

总之，深度学习的Pipeline 就是模型实现的步骤。深度学习现在的Pipeline 一般都比较强调模型的组件构成流程。

1.2 baseline

baseline意思是基线，这个概念是作为算法提升的参照物而存在的，相当于一个基础模型，可以以此为基准来比较对模型的改进是否有效。

通常在一些竞赛或项目中，baseline就是指能够顺利完成数据预处理、基础的特征工程、模型建立以及结果输出与评价，然后通过深入进行数据处理、特征提取、模型调参与模型提升或融合，使得baseline可以得到改进。

所以这个没有明确的指代，改进后的模型也可以作为后续模型的baseline。

1.3 backbone

backbone这个单词原意指的是人的脊梁骨，后来引申为支柱，核心的意思。

在神经网络中，尤其是CV领域，一般先对图像进行特征提取（常见的有vggnet，resnet，谷歌的inception），这一部分是整个CV任务的根基，因为后续的下游任务都是基于提取出来的图像特征去做文章（比如分类，生成等等）。

所以将这一部分网络结构称为backbone十分形象，仿佛是一个人站起来的支柱。

1.4 CNN中feature map的含义

在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。

1.5 epoch、 iteration和batchsize

（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
（2）iteration：1个iteration等于使用batchsize个样本训练一次；
（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；

举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次epoch。

1.6 “输入通道”与“输出通道”

输入通道指的是输入了几个二维信息，也就是很直观的rgb图有r，g，b三个通道，这决定了卷积核的通道数，即输入图像的通道数决定了卷积核通道数；（图片中，第一列有三个矩阵，也就是输入通道为3，所以后面，第二列和第三列，也就是两个卷积核，它们也都有三个矩阵，即卷积核通道数目也为3。）

输出通道是指卷积（关联）运算之后的输出通道数目，它决定了有几个卷积核，即需要输出通道数为几，就需要几个卷积核。（图中，第二列和第三列分别都是三通道的卷积核，输入图像与这两个卷积核做完卷积运算后，产生了第四列的两个矩阵，也就是输出了两个通道）

最后说一下动图演示的事情，输入一个三通道图像，和两个三通道的卷积核做了卷积运算，得到两个输出通道。

题外话：

每个卷积核具有长、宽、深三个维度。

卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等；
卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽两个参数

例如：在原始图像层（输入层），如果图像是灰度图像，其feather map数量为1，则卷积核的深度也就是1；如果图像是grb图像，其feather map数量为3，则卷积核的深度也就是3.

例如：输入224x224x3（rgb三通道），输出是32位深度，卷积核尺寸为5x5。

那么我们需要32个卷积核，每一个的尺寸为5x5x3（最后的3就是原图的rgb位深3），每一个卷积核的每一层是5x5（共3层）分别与原图的每层224x224卷积，然后将得到的三张新图叠加（算术求和），变成一张新的feature map。每一个卷积核都这样操作，就可以得到32张新的feature map了。也就是说：

不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。不同的filter可以卷积得到不同的特征，也就是得到不同的feature map。

2.疑问点

以下部分的内容来源于网络查找，若有不恰当的地方，希望大佬提出。

2.1 卷积神经网络中为什么要在卷积层后面添加激活函数?

简单的说：增加非线性，即使得输入与输出之间保持非线性的关系。如果不加激活函数，神经元永远只能拟合线性的情况...没办法拟合高维数据。(如果只是想浅了解一下，后面的可以不看了)

原理：

卷积操作是一种线性的仿射变换（什么是仿射变换呢？仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间）

以下是卷积过程：

v2-3887b91d142fac4034ec1170e5fdf2b6_720w

更一般的，我们如果有输入图片x和卷积核w以及输出图片y，它们的各个值为：

由于输出像素是由输入像素和卷积核得到的，所以输出图片的各个像素可以写成：

列出来后，可以看出，这和多元线性回归的式子没有什么区别！我们甚至可以把上面的式子写成向量的形式：

\(Y=W^TX\)

相当于将图片x和y展开成一维的形式：

v2-28ad6d74c553cee720bdbeb80b623984_720w

就可以把原式看成向量X和Y的线性方程组。

从这里应该可以看出，卷积核可以表示成一种特殊的多元线性回归的权重矩阵；由于权重矩阵有大量的参数是一样的，且有大量的0，所以可以把权重矩阵的系数都压缩到一个卷积核中又不损失信息。卷积的这种数学操作的特点又保留了图片的空间信息，所以卷积是一种开销小于全连接层，但效果较好的操作。

所以在神经网络学习参数中，可以把对卷积核的拟合视为一种对神经元权重的拟合，只是神经元之间会以某种方式连接并且共享大量参数。

也可以很自然的推导出，如果没有池化层等非线性操作，那么多层卷积就等同于一层卷积，只靠卷积操作无法拟合任意函数。

2.2 卷积神经网络卷积层后一定要跟激活函数吗？

这个问题是上一个问题的引申，卷积神经网络卷积层后是不一定要跟激活函数的。

解释：

卷积神经网络卷积层后是否加激活函数是根据数据集来定的：如果是图像类，需要得到复杂深度特征，需要非线性激活，那就要加激活。而如果是处理一维信号，比如振动数据，音频数据，很多时候不加激活效果会好上不少。尤其是工业故障数据，很多时候本身就是线性可分的，网络越复杂效果越差。

我觉得这个问题几本上没有什么好纠结的，我们都知道一般的机器学习算法，比如决策树算法，支持向量机，这些算法都只能解决线性可分的问题，当遇到线性不可分的问题时便没法了，而神经网络为何如此强大的原因一部分就归结于其引入了激活函数，使得函数经过隐藏层之间的层层调用，变成了线性可分的了。假如不跟激活函数，层层之间的数据传递也只是前面的x的参数多点而已，达不到将x变成高次方的目的，不能变成高次方不能函数的形状就还是直线型，还是线性的。

3.代码相关（pytorch版）

以下仅为自己写代码时的方式：

3.1 写代码的流程

确定输出目标—》选择数据-》数据预处理（通常是转化为张量）—》提取特征（构建主干网络模型提取）—》模型训练（不可视的，将标准输入数据经过模型得到输出数据，然后与标准输出数据比对，再利用修改参数，再去训练，直到比对正确）—》模型评估与优化—》模型预测结果—》输出目标转换

3.2 代码的组织结构

3.2.1 主要部分

当一个程序代码长度过长，就可以拆分成几个文件，方便阅读和修改，代码拆分数据如下：

preprocess:数据预处理

对数据进行预处理的文件，将数据转为backbone想要接收的格式与类型。

backbone：提取特征

翻译为主干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，供后面的网络使用。这些网络经常使用的是resnet、VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。

neck:承上启下

是放在backbone和head之间的，是为了更好的利用backbone提取的特征。

bottleneck:转化输出

瓶颈的意思，通常指的是网网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bottle_num=256，指的是网络输出的数据的维度是256 ，可是输入进来的可能是1024维度的。

head：预测思考

head是获取网络输出内容的网络，利用之前提取的特征，head利用这些特征，做出预测。

3.2.2 次要部分

pretext task和downstream task：

用于预训练的任务被称为前置/代理任务(pretext task)，用于微调的任务被称为下游任务(downstream task)

热身Warm up

Warm up指的是用一个小的学习率先训练几个epoch，这是因为网络的参数是随机初始化的，一开始就采用较大的学习率容易数值不稳定。

end to end

在论文中经常能遇到end to end这样的描述，那么到底什么是端到端呢？其实就是给了一个输入，我们就给出一个输出，不管其中的过程多么复杂，但只要给了一个输入，机会对应一个输出。比如分类问题，你输入了一张图片，肯呢个网络有特征提取，全链接分类，概率计算什么的，但是跳出算法问题，单从结果来看，就是给了一张输入，输出了一个预测结果。End-To-End的方案，即输入一张图，输出最终想要的结果，算法细节和学习过程全部丢给了神经网络。