摘要：深度學習架構清單現(xiàn)在我們明白了什么是高級架構，并探討了計算機視覺的任務分類，現(xiàn)在讓我們列舉并描述一下最重要的深度學習架構吧。是較早的深度架構，它由深度學習先驅及其同僚共同引入。這種巨大的差距由一種名為的特殊結構引起。

時刻跟上深度學習領域的進展變的越來越難，幾乎每一天都有創(chuàng)新或新應用。但是，大多數(shù)進展隱藏在大量發(fā)表的 ArXiv / Springer 研究論文中。

為了時刻了解動態(tài)，我們創(chuàng)建了一個閱讀小組，在 Analytics Vidhya 內(nèi)部分享學習成果。我想和大家分享的是一項關于研究社區(qū)開發(fā)出的高級架構的調查。

本文包括深度學習領域的進展、keras 庫中的代碼實現(xiàn)以及論文鏈接。為保證文章簡明，我只總結了計算機視覺領域的成功架構。

什么是高級架構？

相比于單一的傳統(tǒng)機器學習算法，深度學習算法由多樣化的模型組成；這是由于神經(jīng)網(wǎng)絡在構建一個完整的端到端的模型時所提供的靈活性。

神經(jīng)網(wǎng)絡有時可比作樂高塊，借助想象力你幾乎可以用它建構從簡單到復雜的任何結構。

我們可以把高級架構定義為一個具有良好記錄的成功模型；這主要見于挑戰(zhàn)賽中，比如 ImageNet，其中你的任務是借助給定的數(shù)據(jù)解決圖像識別等問題。

正如下文所描述的每一個架構，其中每一個都與常見的模型有細微不同，在解決問題時這成了一種優(yōu)勢。這些架構同樣屬于「深度」模型的范疇，因此有可能比淺層模型表現(xiàn)更好。

計算機視覺任務的類型

本文主要聚焦于計算機視覺，因此很自然地描述了計算機視覺任務的分類。顧名思義，計算機視覺即通過創(chuàng)建人工模型來模擬本由人類執(zhí)行的視覺任務。其本質是人類的感知與觀察是一個過程，它可在人工系統(tǒng)中被理解和實現(xiàn)。

計算機視覺任務的主要類型如下：

物體識別／分類：在物體識別中，給出一張原始圖像，你的任務是識別出該圖像屬于哪個類別。

分類+定位：如果圖像中只有一個物體，你的任務是找到該物體在圖像中的位置，一個更專業(yè)的稱謂是定位。

物體檢測：在物體檢測中，你的任務是找到圖像中多個物體的各自位置。這些物體可能屬于同一類別，或者各自不同。

圖像分割：圖像分割是一個稍微復雜的任務，其目標是將每一個像素映射到正確的分類。

深度學習架構清單

現(xiàn)在我們明白了什么是高級架構，并探討了計算機視覺的任務分類，現(xiàn)在讓我們列舉并描述一下最重要的深度學習架構吧。

1. AlexNet

AlexNet 是較早的深度架構，它由深度學習先驅 Geoffrey Hinton 及其同僚共同引入。AlexNet 是一個簡單卻功能強大的網(wǎng)絡架構，為深度學習的開創(chuàng)性研究鋪平了道路。下圖是論文作者提出架構的示圖。

如圖所示，分解后的 AlexNet 像是一個簡單的架構，卷積層和池化層層疊加，最上層是全連接層。這是一個非常簡單的架構，其早在 80 年代就已被概念化。但是該模型的突出特征是其執(zhí)行任務的規(guī)模與使用 GPU 進行訓練。20 世紀 80 年代，訓練神經(jīng)網(wǎng)絡使用的是 CPU，而 AlexNet 借助 GPU 將訓練提速了 10x。

論文：ImageNet Classification with Deep Convolutional Neural Networks

鏈接：https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

代碼實現(xiàn)：https://gist.github.com/JBed/c2fb3ce8ed299f197eff

2. VGG Net

VGG 網(wǎng)絡由牛津可視化圖形組（Visual Graphics Group）開發(fā)，因此其名稱為 VGG。該網(wǎng)絡的特點是金字塔形，與圖像最近的底層比較寬，而頂層很深。

如上圖所示，VGG 包含池化層之后的卷積層，池化層負責使層變窄。他們在論文中提出多個此類網(wǎng)絡，不同之處在于架構深度的變化。

VGG 的優(yōu)勢：

適合在特定任務上進行基準測試。

VGG 的預訓練網(wǎng)絡可在互聯(lián)網(wǎng)上免費獲取，因此被廣泛用于各種應用。

另一方面，它的主要缺陷在于如果從頭訓練，則過程緩慢。即使在性能很好的 GPU 上，也需要一周多的時間才能完成訓練。

論文：Very Deep Convolutional Networks for Large-Scale Image Recognition

鏈接：https://arxiv.org/abs/1409.1556

代碼實現(xiàn)：https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py

3. GoogleNet

GoogleNet（或 Inception 網(wǎng)絡）是谷歌研究者設計的一種架構。GoogleNet 是 ImageNet 2014 的冠軍，是當時最強大的模型。

該架構中，隨著深度增加（它包含 22 層，而 VGG 只有 19 層），研究者還開發(fā)了一種叫作「Inception 模塊」的新型方法。

如上圖所示，它與我們之前看到的序列架構發(fā)生了很大改變。單個層中出現(xiàn)了多種「特征抽取器（feature extractor）」。這間接地改善了該網(wǎng)絡的性能，因為該網(wǎng)絡在訓練過程中有多個選項可以選擇，來解決該任務。它可以選擇與輸入進行卷積，也可以直接將其池化。

最終架構包括堆疊在一起的多個 inception 模塊。GoogleNet 的訓練過程也有稍許不同，即最上層有自己的輸出層。這一細微差別幫助模型更快地進行卷積，因為模型內(nèi)存在聯(lián)合訓練和層本身的并行訓練。

GoogleNet 的優(yōu)勢在于：

GoogleNet 訓練速度比 VGG 快。

預訓練 GoogleNet 的規(guī)模比 VGG 小。VGG 模型大于 500 MB，而 GoogleNet 的大小只有 96MB。

GoogleNet 本身沒有短期劣勢，但是該架構的進一步改變使模型性能更佳。其中一個變化是 Xception 網(wǎng)絡，它增加了 inception 模塊的發(fā)散極限（我們可以從上圖中看到 GoogleNet 中有 4 個 inception 模塊）。現(xiàn)在從理論上講，該架構是無限的（因此又叫極限 inception！）。

論文：Rethinking the Inception Architecture for Computer Vision

鏈接：https://arxiv.org/abs/1512.00567

代碼實現(xiàn)：https://github.com/fchollet/keras/blob/master/keras/applications/inception_v3.py

4.ResNet

ResNet 是一個妖怪般的架構，讓我們看到了深度學習架構能夠有多深。殘差網(wǎng)絡（ResNet）包含多個后續(xù)殘差模塊，是建立 ResNet 架構的基礎。下圖是殘差模塊的表示圖：

簡言之，一個殘差模塊有兩個選擇：完成輸入端的一系列函數(shù)，或者跳過此步驟。

類似于 GoogleNet，這些殘差模塊一個接一個地堆疊，組成了完整的端到端網(wǎng)絡。

ResNet 引入的新技術有：

使用標準的 SGD，而非適應性學習技術。它聯(lián)通一個合理的初始化函數(shù)（保持訓練的完整性）做到的這一點。

輸入預處理的變化，輸入首先被區(qū)分到圖像塊中，然后輸送到網(wǎng)絡中。

ResNet 主要的優(yōu)勢是數(shù)百，甚至數(shù)千的殘差層都能被用于創(chuàng)造一個新網(wǎng)絡，然后訓練。這不同于平常的序列網(wǎng)絡，增加層數(shù)量時表現(xiàn)會下降。

論文：Deep Residual Learning for Image Recognition

鏈接：https://arxiv.org/abs/1512.03385

代碼實現(xiàn)：https://github.com/fchollet/keras/blob/master/keras/applications/resnet50.py

5. ResNeXt

ResNeXt 據(jù)說是解決目標識別問題的較先進技術。它建立在 inception 和 resnet 的概念上，并帶來改進的新架構。下圖是對 ResNeXt 模塊中的殘差模塊的總結。

圖 1. 左：ResNet 塊。右：基數(shù)=32 的 ResNeXt 塊，復雜度大致相同。層顯示為（# in channels, filter size, # out channels）。

論文：Aggregated Residual Transformations for Deep Neural Networks

鏈接：https://arxiv.org/pdf/1611.05431.pdf

代碼實現(xiàn)：https://github.com/titu1994/Keras-ResNeXt

6. RCNN (基于區(qū)域的 CNN)

基于區(qū)域的 CNN 架構據(jù)說是所有深度學習架構中對目標檢測問題最有影響力的架構。為了解決檢測問題，RCNN 嘗試在圖像中所有物體上畫出邊界框，然后識別圖像中的物體。工作原理如下：

RCNN 結構如下：

論文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

鏈接：https://arxiv.org/abs/1506.01497

代碼實現(xiàn)：https://github.com/yhenon/keras-frcnn

7. YOLO (You Only Look once)

YOLO 是當前深度學習領域解決圖像檢測問題較先進的實時系統(tǒng)。如下圖所示，YOLO 首先將圖像劃分為規(guī)定的邊界框，然后對所有邊界框并行運行識別算法，來確定物體所屬的類別。確定類別之后，yolo 繼續(xù)智能地合并這些邊界框，在物體周圍形成最優(yōu)邊界框。

這些步驟全部并行進行，因此 YOLO 能夠實現(xiàn)實時運行，并且每秒處理多達 40 張圖像。

盡管相比于 RCNN 它的表現(xiàn)有所降低，但在日常實時的問題中它還是有優(yōu)勢的。下圖是 YOLO 架構的示圖：

論文：You Only Look Once: Unified, Real-Time Object Detection

鏈接：https://pjreddie.com/media/files/papers/yolo.pdf

代碼實現(xiàn)：https://github.com/allanzelener/YAD2K

8.SqueezeNet

SqueeNet 架構是在移動平臺這樣的低寬帶場景中極其強大的一種架構。這種架構只占用 4.9 MB 的空間，而 Inception 架構大小為 100MB。這種巨大的差距由一種名為 Fire Module 的特殊結構引起。下圖是 Fire Module 的表示圖：

SqueezeNet 的完整架構如下：

論文：SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE

鏈接：https://arxiv.org/abs/1602.07360

代碼實現(xiàn)：https://github.com/rcmalli/keras-squeezenet

9.SegNet?

SegNet 是一個用于解決圖像分割問題的深度學習架構。它包含處理層（編碼器）序列，之后是對應的解碼器序列，用于分類像素。下圖是 SegNet 解析圖：

SegNet 的一個主要特征是在編碼器網(wǎng)絡的池化指標與解碼器網(wǎng)絡的池化指標連接時，分割圖像保留高頻細節(jié)。簡言之，直接進行信息遷移，而非卷積它們。在處理圖像分割問題時，SgeNet 是較好的模型之一。

論文：SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation

鏈接：https://arxiv.org/abs/1511.00561

代碼實現(xiàn)：https://github.com/imlab-uiip/keras-segnet

10.GAN

GAN 是神經(jīng)網(wǎng)絡架構中完全不同的類別。GAN 中，一種神經(jīng)網(wǎng)絡用于生成全新的、訓練集中未曾有過的圖像，但卻足夠真實。例如，以下是 GAN 工作原理的解析圖。

論文：Generative Adversarial Networks

鏈接：https://arxiv.org/abs/1406.2661

代碼實現(xiàn)：https://github.com/bstriner/keras-adversarial

原文地址：https://www.analyticsvidhya.com/blog/2017/08/10-advanced-deep-learning-architectures-data-scientists/

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754