全卷積多并聯(lián)殘差神經(jīng)網(wǎng)絡(luò)

李國強(qiáng)，張 露

(燕山大學(xué) 河北省工業(yè)計(jì)算機(jī)控制工程重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004)

1 引 言

近年來，深度學(xué)習(xí)在語音識別[1,2]，自然語言處理[3]和計(jì)算機(jī)視覺[4,5]等許多領(lǐng)域取得了很大成就，也吸引了越來越多的研究者關(guān)注到深度學(xué)習(xí)這個(gè)領(lǐng)域.深度學(xué)習(xí)起源于人類對大腦的研究，研究深度學(xué)習(xí)的目的就是讓機(jī)器通過建立模型來像人類大腦一樣具有學(xué)習(xí)的能力.為了進(jìn)一步發(fā)展深度學(xué)習(xí)，研究人員提出了各種深度學(xué)習(xí)算法和模型來解決不同的問題，其中一些最流行的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)[4，5]，深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)[6,7]，遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)[8]和生成性對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)[9]等.

卷積神經(jīng)網(wǎng)絡(luò)作為一種典型的深度學(xué)習(xí)模型，有局部連接和權(quán)值共享的特點(diǎn)，擅長提取局部特征，而且具有比其他神經(jīng)網(wǎng)絡(luò)模型更少的參數(shù).卷積神經(jīng)網(wǎng)絡(luò)最早是在20世紀(jì)90年代由LeCun[10]等人提出的，他們設(shè)計(jì)了一個(gè)名為LeNet-5的多層卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對手寫數(shù)字的分類.LeNet-5為CNN在圖像識別中的應(yīng)用奠定了基礎(chǔ).2012年，Krizhevsky等人[4]在LeNet-5基礎(chǔ)上提出AlexNet并且實(shí)現(xiàn)了對ImageNet數(shù)據(jù)集的分類，AlexNet網(wǎng)絡(luò)使用了與LeNet-5不同的relu激活函數(shù)，加入了數(shù)據(jù)增強(qiáng)和dropout[11]兩種防止過擬合的方法，實(shí)驗(yàn)中在多個(gè)GPU上進(jìn)行訓(xùn)練.但是這樣的卷積神經(jīng)網(wǎng)絡(luò)也依然存在很多問題，例如隨機(jī)梯度下降算法隨著網(wǎng)絡(luò)復(fù)雜度的增加難以優(yōu)化并且容易陷入局部最優(yōu)；隨著網(wǎng)絡(luò)層數(shù)的增加，網(wǎng)絡(luò)的復(fù)雜度和計(jì)算量也大量增加；如何在提高網(wǎng)絡(luò)識別效果的同時(shí)減少計(jì)算成本成為研究的目標(biāo).針對這個(gè)目標(biāo)，研究人員提出了一些卷積神經(jīng)網(wǎng)絡(luò)模型，典型的如VGGNet[5]，GoogLeNet[12]和殘差神經(jīng)網(wǎng)絡(luò)(Resnet)[13].這些網(wǎng)絡(luò)的結(jié)構(gòu)變得越來越深，效果也越來越好.

Resnet是2015年由何凱明等人提出的，此前的卷積神經(jīng)網(wǎng)絡(luò)都是讓網(wǎng)絡(luò)學(xué)習(xí)輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的函數(shù)關(guān)系，而殘差網(wǎng)絡(luò)是用學(xué)習(xí)差值函數(shù)代替直接學(xué)習(xí)輸入輸出間的函數(shù)關(guān)系，這樣學(xué)習(xí)起來更容易.殘差網(wǎng)絡(luò)的層數(shù)可以達(dá)到數(shù)百層，解決了層數(shù)比較深的時(shí)候無法訓(xùn)練的問題.殘差網(wǎng)絡(luò)的提出改變了原始卷積網(wǎng)絡(luò)的結(jié)構(gòu)，此后很多殘差網(wǎng)絡(luò)的改進(jìn)結(jié)構(gòu)被提出.Sergey Zagoruyko和Nikos Komodak[14]認(rèn)為在訓(xùn)練非常深的殘差網(wǎng)絡(luò)時(shí)存在一個(gè)特征重用的問題，這使得這些網(wǎng)絡(luò)訓(xùn)練非常慢，所以他們提出了一種更淺但更寬的結(jié)構(gòu)，稱為寬殘差網(wǎng)絡(luò)(Wide Residual Network，WRN)，并且在數(shù)據(jù)集(CIFAR,SVHN,COCO和 ImageNet)上證明了WRN的有效性.Saining Xie等人[15]提出了ResNeXt，用組卷積替換原始Resnet的三層卷積單元，并擴(kuò)展了卷積層的輸入和輸出通道的數(shù)量.ResNeXt中的這些改進(jìn)在沒有顯著增加網(wǎng)絡(luò)參數(shù)的情況下提高了準(zhǔn)確度.Huang G等[16]提出了密集連接卷積網(wǎng)絡(luò)(Densely Connected Convolutional Networks，Densenet)，用密集連接單元代替了殘差單元，密集單元中的每一層都從前面所有的層獲得額外的輸入，并將每層的輸出都傳遞給所有后續(xù)層.此外還有許多先進(jìn)的Resnet改進(jìn)網(wǎng)絡(luò)，例如Dual Path Networks[17].

本文在三個(gè)數(shù)據(jù)集(MNIST，CIFAR-10和CIFAR-100)上對FCM-Resnet模型進(jìn)行了評估.結(jié)果表明，所提出的網(wǎng)絡(luò)比Resnet，InceptionV3[18]，InceptionResnetV2[19]和Densenet121[16]具有更好的分類精度和泛化能力.

本文的具體結(jié)構(gòu)如下：第2節(jié)回顧了殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法，分析了該結(jié)構(gòu)存在的缺點(diǎn).第3節(jié)提出了全卷積多并聯(lián)殘差神經(jīng)網(wǎng)絡(luò)，分析了該網(wǎng)絡(luò)的優(yōu)勢.為了測試FCM-Resnet的性能，在第4節(jié)中給出了實(shí)驗(yàn)的結(jié)果.第5節(jié)總結(jié)了本文.

2 殘差神經(jīng)網(wǎng)絡(luò)

殘差神經(jīng)網(wǎng)絡(luò)作為卷積神經(jīng)網(wǎng)絡(luò)一個(gè)典型模型，遵循傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)原則和結(jié)構(gòu)，也是由卷積層，池化層和分類層組成的.與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于Resnet引入了輸出和輸入之間的跨層連接，如圖1所示，在每幾個(gè)卷積層之間引入跨層連接就相當(dāng)于把網(wǎng)絡(luò)拆成了殘差塊的結(jié)構(gòu)，由之前的網(wǎng)絡(luò)學(xué)習(xí)輸入輸出函數(shù)改成了學(xué)習(xí)每個(gè)殘差單元輸入輸出的差值函數(shù)，這樣的結(jié)構(gòu)使得網(wǎng)絡(luò)的層數(shù)可以設(shè)計(jì)地很深而且更容易學(xué)習(xí).

圖1 殘差單元 Fig 1 Resnet unit

在結(jié)構(gòu)上，Resnet由相同連接形狀的殘差單元組成，每個(gè)殘差單元由若干卷積層組成.輸入的圖片由這些卷積層提取特征，之后再被送入到一個(gè)平均池化層和最后的分類層.殘差單元的基本結(jié)構(gòu)如圖1所示，每個(gè)殘差單元可由公式(1)表示：

xl+1=xl+F(xl)

(1)

式中xl和xl+1分別代表第l個(gè)殘差單元的輸入和輸出，F(xiàn)(?)是殘差函數(shù).

根據(jù)公式(1)可以得到：

xl+2=xl+1+F(xl+1)

=xl+F(x1)+F(xl+1)

(3)

式中xL表示第L個(gè)殘差單元的輸出.

從公式(3)可以看出，任何一個(gè)殘差單元的輸出xL都可以由任何之前的殘差單元的輸入計(jì)算得出.進(jìn)而，當(dāng)網(wǎng)絡(luò)輸入一張圖片時(shí)，可以根據(jù)上面的公式計(jì)算得到最后一個(gè)殘差單元的輸出，然后再把該輸出送到一個(gè)平均池化層和分類層.最后的分類結(jié)果與理想值之間根據(jù)損失函數(shù)計(jì)算得到損失值，再由損失值反向傳播調(diào)整權(quán)值.

(4)

(5)

公式(5)與公式(4)相比可以看出，任何殘差單元除了最后一個(gè)卷積層的梯度信息可以直接獲得以外，其他的卷積層均不能直接從最后的梯度獲得，這將減少原始梯度信息的傳遞.當(dāng)每個(gè)殘差單元的卷積層數(shù)增多時(shí)，會有更多的卷積層不能直接獲得梯度信息.針對這個(gè)問題，在下一節(jié)提出全卷積多并聯(lián)殘差神經(jīng)網(wǎng)絡(luò).

3 全卷積多并聯(lián)殘差神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，提出了一種全卷積多并聯(lián)殘差網(wǎng)絡(luò)(FCM-Resnet)，以進(jìn)一步改善原始梯度信息的傳遞，其結(jié)構(gòu)如圖2所示.FCM-Resnet在殘差神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了更多的跨層連接，有效改善了網(wǎng)絡(luò)的性能.在Resnet中，只有一部分卷積層在反向傳播中直接得到原始梯度信息，而在FCM-Resnet中，每個(gè)卷積層的特征將被送到平均池化層，原始梯度信息也可以直接傳遞給任何卷積層.

圖2 全卷積多并聯(lián)殘差神經(jīng) 網(wǎng)絡(luò)的結(jié)構(gòu) Fig 2 Structure of FCM-Resnet

3.1 FCM-Resnet的結(jié)構(gòu)

由圖2可以清楚地看出FCM-Resnet的結(jié)構(gòu)，該結(jié)構(gòu)可以看做是由有兩個(gè)部分組成，一個(gè)是由卷積層組成的若干殘差單元，這部分用來提取圖片的特征.另一個(gè)是平均池化層和分類層，所有卷積層提取的特征都連接到平均池化層以獲得更多的信息，最后再由分類層得到網(wǎng)絡(luò)輸出.每個(gè)殘差單元通常由兩個(gè)或三個(gè)卷積層組成[14]，如圖3所示.圖3(a)是由三個(gè)卷積層組成的殘差單元，兩個(gè)1×1卷積包圍一個(gè)3×3卷積，圖3(b)是兩個(gè)3×3卷積組成的殘差單元.本文采用第二種方法.

3.2 FCM-Resnet的計(jì)算過程

前向傳播過程中，殘差單元的計(jì)算過程如公式(1)-公式(3).殘差單元中的每個(gè)卷積層除了輸出到它的下一層還輸出到了平均池化層.由于每一層輸出的特征圖大小不同，為了實(shí)現(xiàn)后續(xù)的計(jì)算，每一個(gè)卷積層的輸出在輸入到平均池化層之前要先進(jìn)行統(tǒng)一化，規(guī)則如下：

圖3 常用的兩種殘差單元 Fig 3 Two general residual units

1)當(dāng)該卷積層的輸出維度與最后一個(gè)殘差單元的輸出維度相同時(shí)，使用公式(6).

f(xi)=xi

(6)

2)當(dāng)該卷積層的輸出維度與最后一個(gè)殘差單元的輸出維度不相同時(shí)，使用公式(7).

f(xi)=conv(xi)

(7)

式中conv(?)代表核為1×1的卷積運(yùn)算.

本文采用直接相加的方法把每個(gè)卷積層得到的特征圖匯聚到平均池化層，平均池化層的輸入xave為：

公式(8)中，xi是第i個(gè)卷積層的輸出，n是網(wǎng)絡(luò)中卷積層的個(gè)數(shù).g(·)由公式(6)和公式(7)決定.

由公式(1)-公式(3)和公式(8)可以得到：

(9)

把相加得到的特征圖xave經(jīng)過平均池化運(yùn)算最后連接到分類層.從公式(9)可以看出FCM-Resnet在前向傳播中保留了更多原始信息.

(10)

(11)

從公式(10)和公式(11)可以看出，每個(gè)殘差單元里的所有卷積層的梯度計(jì)算方法相同，均有直接傳遞的梯度信息，解決了Resnet網(wǎng)絡(luò)存在的只有一部分卷積層直接獲得原始梯度信息的問題.

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)集

為了測試FCM-Resnet的有效性和分類能力，將所提出的方法與Resnet在三個(gè)數(shù)據(jù)集(MNIST，CIFAR-10，CIFAR-100)上進(jìn)行比較.

MNIST[11]是圖像分類問題中最經(jīng)典的數(shù)據(jù)集，由6萬張訓(xùn)練圖片和1萬張測試圖片組成，每張都28×28是大小的黑白圖片，表示從0到9的數(shù)字.

CIFAR數(shù)據(jù)集[20]是一個(gè)彩色圖片分類數(shù)據(jù)集，大小為32×32，CIFAR包含CIFAR10[1]和CIFAR-100.CIFAR10由10類(每類6000張)組成，CIFAR-100數(shù)據(jù)集分為100類(每類600張)，其中5萬張圖片進(jìn)行訓(xùn)練，其余的1萬張進(jìn)行測試.

4.2 實(shí)驗(yàn)細(xì)節(jié)

本實(shí)驗(yàn)平臺為一個(gè)Nvidia TITAN Xp GPU(12GB)，編程環(huán)境為python3.6,使用的深度學(xué)習(xí)框架為TensorFlow[21].實(shí)驗(yàn)中的批次大小設(shè)置為128，采用adam[22]和momentum優(yōu)化方法，實(shí)驗(yàn)結(jié)果在有限次的迭代中得到.

本文對MNIST和CIFAR數(shù)據(jù)集設(shè)計(jì)了兩個(gè)FCM-Resnet網(wǎng)絡(luò)結(jié)構(gòu)，分別是用于數(shù)據(jù)集MNIST和CIFAR-10的56層FCM-Resnet-56網(wǎng)絡(luò)，另一個(gè)是用于CIFAR-10和CIFAR-100的110層FCM-Resnet-110，兩種結(jié)構(gòu)如表1所示.網(wǎng)絡(luò)的卷積部分分成三個(gè)塊(如表1中的block1、block2和block3)，每個(gè)塊包含9個(gè)或18個(gè)殘差單元.每個(gè)殘差單元的具體過程：一個(gè)卷積(Conv)，一個(gè)Relu計(jì)算，然后是一個(gè)卷積(Conv)和批量歸一化(BN)[23]，最后添加輸入和輸出之間的連接.為了對比改進(jìn)前后的效果，每個(gè)FCM-Resnet網(wǎng)絡(luò)對應(yīng)一個(gè)相同參數(shù)設(shè)置的Resnet網(wǎng)絡(luò).

表1 FCM-Resnet的兩個(gè)網(wǎng)絡(luò)模型
Table 1 Two network models of FCM-Resnet

networkFCM-Resnet-56FCM-Resnet-110convolution3×3conv3×3convblock13×3stride=13×3stride=1 ×93×3stride=13×3stride=1 ×18block23×3stride=13×3stride=1 ×8,3×3stride=23×3stride=1 ×13×3stride=13×3stride=1 ×17,3×3stride=23×3stride=1 ×1block33×3stride=13×3stride=1 ×8,3×3stride=23×3stride=1 ×13×3stride=13×3stride=1 ×17,3×3stride=23×3stride=1 ×1averagepoolingbatch_size×64batch_size×256classificationbatch_size×num_clasessbatch_size×num_clasess

(方括號內(nèi)部是殘差單元的形狀，外部是殘差單元的數(shù)量)

(Inside the brackets are the shape of a residual unit,the outside is the number of stacked units)

實(shí)驗(yàn)中除了FCM-Resnet網(wǎng)絡(luò)和Resnet網(wǎng)絡(luò)的對比之外，還與其他三個(gè)網(wǎng)絡(luò)的結(jié)果進(jìn)行對比，三個(gè)網(wǎng)絡(luò)模型分別是110層的Inceptionv3，256層的InceptionResnetV2和121層的Densenet121.由于這三個(gè)網(wǎng)絡(luò)的層數(shù)較多，為了在MNIST和CIFAR-10數(shù)據(jù)集上實(shí)現(xiàn)更好的分類效果，在實(shí)驗(yàn)時(shí)將輸入圖片大小先變?yōu)?39×139，再輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試.

4.3 實(shí)驗(yàn)結(jié)果對比

如表2所示，在7個(gè)網(wǎng)絡(luò)上對MNIST和CIFAR- 10數(shù)據(jù)集進(jìn)行實(shí)驗(yàn).在2000次迭代時(shí),對于MNIST數(shù)據(jù)集，F(xiàn)CM-Resnet-56的測試精度達(dá)到99.57%，而Resnet-56的準(zhǔn)確度為99.54%，提高了約0.03個(gè)百分點(diǎn).FCM-Resnet-110的測試精度為99.63%，而Resnet-110的準(zhǔn)確度為99.61%，提高了約0.02個(gè)百分點(diǎn).FCM-Resnet與Resnet相比顯示出更好的結(jié)果.此外，F(xiàn)CM-Resnet-56與InceptionV3，InceptionResnet-V2和Densenet121三個(gè)網(wǎng)絡(luò)相比，分別提高了0.36個(gè)、0.35個(gè)和0.67個(gè)百分點(diǎn).FCM-Resnet-110與InceptionV3，InceptionResnetV2和Densenet121三個(gè)網(wǎng)絡(luò)相比，分別提高了0.42個(gè)、0.41個(gè)和0.73個(gè)百分點(diǎn).對于CIFAR10，迭代5萬次時(shí)的測試精度均在表2中列出，可以看出，F(xiàn)CM-Resnet與Resnet，InceptionV3，InceptionResnetV2和Densenet121相比有更高的準(zhǔn)確率.隨著迭代次數(shù)的增加，損失越來越小，CI-FAR10在Resnet-110和FCM-Resnet-110網(wǎng)絡(luò)上的損失曲線如圖4所示，從圖中可以看出FCM-Resnet-110的損失下降的速度更快，而且損失值也最低.在Resnet-110和FCM-Resnet-110兩個(gè)網(wǎng)絡(luò)上對CIFAR100數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，迭代5萬次得到的損失曲線如圖5所示，準(zhǔn)確率如表3和圖6所示.對于CIFAR100，Resnet-110的top1準(zhǔn)確率僅達(dá)到72.48%，而FCM-Resnet-110達(dá)到74.11%，提高了約 1.63 個(gè)百分點(diǎn).Resnet-110的top5準(zhǔn)確率為91.11%，而FCM-Resnet-110為91.50%，提高了約 0.39個(gè)百分點(diǎn).從圖5中也可以看出FCM- Resnet-110的損失下降的速度更快，而且損失值也最低.總而言之，F(xiàn)CM-Resnet實(shí)現(xiàn)了更高的準(zhǔn)確率和更好的泛化能力.

表2 MNIST和CIFAR10的測試正確率
Table 2 Test accuracy on MNIST and CIFAR10

MNIST(%)CIFAR10(%)InceptionV399.2188.00Inception-ResnetV299.2287.87Densenet12198.9088.31Resnet-5699.5489.70FCM-Resnet-5699.5790.19Resnet-11099.6190.39FCM-Resnet-11099.6390.58

圖4 FCM-Resnet-110和Resnet-110在CIFAR-10 數(shù)據(jù)集上的損失曲線Fig.4 Loss curve of FCM-Resnet-110 and Resnet-110 on CIFAR-10 dataset

圖5 FCM-Resnet-110和Resnet-110在CIFAR-100 數(shù)據(jù)集上的損失曲線Fig.5 Loss curves of FCM-Resnet-110 and Resnet-110 on the CIFAR-100 dataset

表3 CIFAR100數(shù)據(jù)集的測試正確率
Table 3 Test accuracy on CIFAR100 dataset

CIFAR100top1(%)CIFAR100top5(%)Resnet-11072.4891.11FCM-Resnet-11074.1191.50

圖6 FCM-Resnet-110和Resnet-110在CIFAR-100 數(shù)據(jù)集上的準(zhǔn)確率曲線Fig.6 Accuracy curves of FCM-Resnet-110 and Resnet-110 on the CIFAR-100 dataset

5 總 結(jié)

本文簡單回顧了Resnet網(wǎng)絡(luò)，并分析了其優(yōu)缺點(diǎn)，針對Resnet的反向傳播過程只有一部分卷積層可以直接獲得梯度信息這一問題，提出了FCM- Resnet，有效改善了梯度問題，使網(wǎng)絡(luò)的分類性能得到提高.實(shí)驗(yàn)結(jié)果表明，所提出的模型可以獲得比Resnet更好的分類結(jié)果.但是，在未來的工作探索中仍然存在一些問題.一個(gè)問題是如何進(jìn)一步提高FCM-Resnet的穩(wěn)定性，另一個(gè)具有挑戰(zhàn)性的問題是如何在保證較高正確率的前提下減少網(wǎng)絡(luò)參數(shù)和訓(xùn)練時(shí)間.