卷积神经网络-迁移学习

文章目录

• 一、迁移学习
• • 1.定义与性质
  • 2.步骤
• 二、Batch Normalization（批次归一化）
• 三、ResNet网络
• • 1.核心思想
  • 2.残差结构
  • • （1）残差块
    • （2）残差结构类型
• 四、总结

一、迁移学习

迁移学习（Transfer Learning）是一种强大的机器学习方法，其核心思想是将在一个任务（源任务）上学到的知识或模型迁移到另一个相关任务（目标任务）上，以提高新任务的性能。以下是对迁移学习的详细解析：

1.定义与性质

• 定义：迁移学习是指利用已经训练好的模型，在新的任务上进行微调。迁移学习可以加快模型训练速度，提高模型性能，并且在数据稀缺的情况下也能很好地工作。
• 性质：迁移学习侧重于将已经学习过的知识迁移应用于新的问题中，以减少目标任务对大量新数据的依赖，加快模型训练速度，并提高模型的泛化能力。

2.步骤

• 选择预训练的模型和适当的层：通常，我们会选择在大规模图像数据集（如ImageNet）上预训练的模型，如VGG、ResNet等。然后，根据新数据集的特点，选择需要微调的模型层。对于低级特征的任务（如边缘检测），最好使用浅层模型的层，而对于高级特征的任务（如分类），则应选择更深层次的模型。
• 冻结预训练模型的参数：保持预训练模型的权重不变，只训练新增加的层或者微调一些层，避免因为在数据集中过拟合导致预训练模型过度拟合。
• 在新数据集上训练新增加的层：在冻结预训练模型的参数情况下，训练新增加的层。这样，可以使新模型适应新的任务，从而获得更高的性能。
• 微调预训练模型的层：在新层上进行训练后，可以解冻一些已经训练过的层，并且将它们作为微调的目标。这样做可以提高模型在新数据集上的性能。
• 评估和测试：在训练完成之后，使用测试集对模型进行评估。如果模型的性能仍然不够好，可以尝试调整超参数或者更改微调层。

二、Batch Normalization（批次归一化）

Batch Normalization（批归一化，简称BN）是一种在深度学习中广泛使用的技术，旨在加速神经网络的训练过程并提高模型的性能。
作用：

• 加速训练过程：Batch Normalization通过减少内部协变量偏移（Internal Covariate Shift），即隐藏层输入分布的变化，使得网络对初始权重选择的依赖较小，对学习率的选择也相对不敏感。这有助于加速神经网络的收敛速度。

• 提高模型性能：通过归一化操作，Batch Normalization有助于减少梯度消失和梯度爆炸问题，从而提高模型的训练稳定性和泛化能力。

• 减少过拟合：Batch Normalization在小批量样本上计算均值和方差，可以看作是对小批量样本进行一种正则化处理，有助于减少过拟合现象。

三、ResNet网络

为了解决深层网络中的退化问题，可以人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。这种神经网络被称为 残差网络 (ResNets)。

1.核心思想

ResNet的核心思想在于残差学习（Residual Learning），即网络学习的是输入和输出之间的残差（即差异），而不是直接学习完整的输出。这种设计有助于减少深层网络在训练过程中的信息损失，从而提高训练效率和模型性能。

2.残差结构

残差结构是深度学习中一种非常重要的网络设计思想，它通过引入直接连接来缓解梯度消失、梯度爆炸和退化问题、提升网络性能和泛化能力。

（1）残差块

一个典型的残差块包含两条路径：一条是主路径（通常由几个卷积层组成），另一条是shortcut路径（直接连接输入和输出）。主路径的输出与shortcut路径的输出相加后作为残差块的最终输出。通过这种方式，残差块能够在保持原始输入信息的同时，对输入进行进一步的特征提取和转换。

（2）残差结构类型

ResNet网络通常采用多个残差块堆叠的结构，这些残差块可以根据不同的需求和网络深度进行调整。例如，ResNet-18、ResNet-34、ResNet-50等变体在网络深度和复杂度之间做了平衡，适用于不同的应用场景。此外，ResNet网络还采用了批量归一化（Batch Normalization）等技术来加速训练过程并提高模型性能。


这里我们为大家展示ResNet-18的网络结构，并具体介绍对应的内容。如下：

• 第一步，残差网络需要的image大小固定为224x224，使用第一步就是确保我们传入的数据大小为224x224，如果不符合，可能会导致后续训练出现问题，所以这里我们可能需要运用数据增强来处理数据。
• 第二步，我们进入卷积层，一个64x7x7的卷积层，其步长为2、边缘填充为3。该卷积层通常使用较大的卷积核和步长，以快速减小特征图的尺寸，比如这里就将特征图的尺寸减小一倍变成64x112x112。
• 第三步，进行了最大池化操作，用于进一步减小特征图的尺寸并增加感受野，这里将特征图减小至64x56x56。
• 第四步，我们进入第一个残差块，内部包含两个卷积层和一个残差连接。第一个卷积层使用3x3的卷积核，步长为1，边缘填充为1，输出通道数与输入相同为64x56x56。该卷积层后通常跟着批量归一化（Batch Normalization）和ReLU激活函数。第二个同样使用3x3的卷积核，步长为1，边缘填充为1。该卷积层后也进行批量归一化和ReLU激活。将两个卷积的结果输出后与shortcut路径的输出相加，这里两者的尺寸匹配，不需要对输入特征图进行操作。下面再一次进行上序残差块的操作，得出结果再次相加。
• 第五步，这里进入到新一步的残差块，这里第一个卷积层我们将通道数进行加倍操作，由原来的64变成128，同时更改步长为2，使输出结果变成128x28x28，然后同样进行批量归一化（Batch Normalization）和ReLU激活函数。第二个卷积层进行基本一致的操作，只需要将步长更改为1即可，最后我们将输出结果与shortcut路径的输出相加，这里因为我们更改了输出通道与步长，导致两者的尺寸或通道数不匹配，所以我们需要对shortcut路径的输出进行1x1的卷积操作以调整其尺寸和通道数。然后相加并再次进行上序残差块操作。
• 第六步，下面我们按照上序步骤对其进行同样的通道与步长更改，将其由128x28x28改至256x14x14，再把256x14x14改为512x7x7。并在每次更改通道与步长时，对shortcut路径的输出进行1x1的卷积操作，与输出结果相加即可。
• 第七步，在经过8次残差块后，我们最终得到512x7x7的输出结果，对该结果进行平均池化，最后得到 FC为（512，1000）。这里最后的结果1000为ResNet_18的特征标签个数，具体运用时，我们应该更改为自己数据集的特征标签个数。可以通过下述方式更改，例如我们的数据集为20，我们可以获取ResNet_18的特征个数，然后创建一个新的全连接层，输入ResNet_18特征，然后再输入自己数据集的输出，即20。

  in_features = resnet_model.fc.in_features  
  resnet_model.fc = nn.Linear(in_features, 20)  
  

残差结构的引入使得训练很深的卷积神经网络成为可能，并在多个图像识别任务中取得了优异的性能。通过残差学习，网络可以更容易地学习到恒等映射，从而缓解深层网络训练中的梯度问题。

四、总结

本文主要通过迁移学习为大家引入ResNet网络，为大家介绍了残差网络的两个核心结构：批次归一化与残差结构，通过这两个核心结构解决梯度消失、爆炸和退化问题。其中着重介绍了残差结构的类型与ResNet_18的网络模型与具体操作。这些核心特点使得ResNet网络能够训练得更深且性能更强，在计算机视觉和深度学习领域得到了广泛应用。