CNN模型之NIN | G&L博客

人工智能深度学习卷积神经网络 CNN

卷积神经网络模型

发布日期: 2019-09-25

文章字数: 791

阅读时长: 3 分

阅读次数:

一、介绍

NIN网络是由Min Lin等人在2014年提出的一个网络嵌套模型，使用微神经网络替换卷积神经网络中的卷积核。通过微神经网络来抽象感受野内的数据。称这种微神经网络结构为mplconv。这篇论文的创新之处主要体现在两个地方，分别是：

使用微神经网络替换传统卷积神经网络的卷积核。
使用全局平均池化替代全连接层。

微神经网络是由多层感知机实现的，上图中(a)图是传统的通过卷积核窗口在输入数据上滑动，对感受野内的数据进行抽象化。这种方式是线性的。(b)中就是论文提出的微神经网络。这是一种非线性的方式。通过实验，这种方法可以更好的抽象数据的特征。

二、模型结构

NIN网络结构
NIN网络中包括三个mplconv层和一个平均池化层的叠加。

第一个mplconv：$5\times5$conv(ReLU) + $1\times1$conv(ReLU) + $1\times1$conv(ReLU+MaxPool+Droput)
第二个mplconv：$5\times5$conv(ReLU) + $1\times1$conv(ReLU) + $1\times1$conv(ReLU+AvgPool+Droput)
第三个mplconv：$3\times3$conv(ReLU) + $1\times1$conv(ReLU) + $1\times1$conv(ReLU)
平均池化层：通过平均池化得到的结果输入softmax中。

从网络的结构中，我们可以注意到MPL的实现是通过$1\times 1$的卷积核实现，$1\times 1$的卷积核可以实现跨通道的交互和信息融合，可以对通道数进行降维和升维。在之后的ResNet、GoogLeNet网络中也用到。另外一个改进是全局平均池化代替全连接层。我们都知道全连接层参数多且容易发生过拟合。通过mplconv最后一层让每一类对应一个特征图。然后使用平均池化进行运算，在输入到softmax中得到最后的分类结果。并且全局平均池化也起到了正则化的作用。实验结果如下：

三、总结

NIN网络可以总结为两个方面的改进，一是使用微神经网络代替卷积核，二是使用全局平均池化代替全连接层。经过在cifar-10数据上实验，此网络的结果要好于当前的最好模型。在看这个网络时，我也看了很多其他的网络，也听说过这个网络。当我读完论文之后，确实给我拓宽了思路，原来这块也可以更改。同样可以达到更好的结果。因此。我的感悟还是要见多识广。学习别人的思路。