理解并实现 ResNet（Keras）

2019 年 6 月 4 日 AI研习社

本文为 AI 研习社编译的技术博客，原标题：

Understanding and Coding a ResNet in Keras

作者 | Priya Dwivedi @ Deep Learning Analytics

翻译 | linlh、通夜编辑 | 邓普斯•杰弗、Pita

原文链接：

https://towardsdatascience.com/understanding-and-coding-a-resnet-in-keras-446d7ff84d33

注：本文的相关链接请访问文末【阅读原文】

ResNet 是残差网络(Residual Network)的缩写，是一种作为许多计算机视觉任务主干的经典神经网络。这个模型是2015年ImageNet挑战赛的获胜者，ResNet最根本的突破在于它使得我们可以训练成功非常深的神经网路，如150+层的网络。在ResNet之前，由于梯度消失(vanishing gradients)的问题，训练非常深的神经网络是非常困难的。

AlexNet，2012年ImageNet的获胜者，这个模型就明显开始关注解决仅有8个卷积层的深度学习，VGG网络有19层，Inception或者GoogleNet有22层，ResNet 152有152层。在这篇文章中，我们会编写一个ResNet-50的网络，ResNet 152的小型版本，经常在开始的时候用在迁移学习上。

深度革命

但是，提升网络的深度并不是简单的将网络层堆叠起来。深层网络很难训练的原因，是因为非常烦人的梯度消失问题——随着梯度反向传播回前面的网络层，重复的乘积操作会使得梯度变得非常小。结果呢，随着网络越来越深，它的性能就变得饱和了，并开始迅速下降。

我是在Andrew Ng的 DeepLearning.AI 课程上学习到关于编写ResNet的内容的，非常推荐大家观看这个课程。

在我的Github repo上，我分享了两个Jupyter Notebook，一个是如DeepLearning.AI中所述，从头开始编码ResNet，另一个在Keras中使用预训练的模型。希望你可以把代码下载下来，并自己试一试。

残差连接（Skip Connection）——ResNet的强项

ResNet是第一个提出残差连接的概念。下面的图阐述了残差连接。左边的图演示了网络层的堆叠，一层接着一层。在右边的图中，我们仍然看了之前网络层的堆叠，但是我们还将原始的输入添加到卷层单元的输出。

残差连接示意图（来自 DeepLearning.AI）

可以写成下面两行代码：

X_shortcut = X # Store the initial value of X in a variable
## Perform convolution + batch norm operations on X

X = Add()([X, X_shortcut]) # SKIP Connection

代码是非常简单，但是这里有一个非常重要的考虑因素——上面的X，X_shortcut是两个矩阵，只有在他们是相同的形状时，你才可以相加。因此，如果卷积+批量规范（batch norm）操作以输出形状相同的方式完成，那么我们可以简单地添加它们，如下所示。

当 x 和 x_shortcut 是相同的形状

否则，x_shortcut通过选定的卷积层，使得它的输出与卷积块的输出相同，如下所示：

X_shortcut 通过卷积单元

在Github的Notebook上，identity_block 和convolution_block 两个函数实现了上面的内容。这些函数使用Keras来实现带有ReLU激活函数的Convolution和Batch Norm层。残差连接实现上就是这行代码： X = Add()([X, X_shortcut])。

这里需要注意的一件重要的事情是残差连接是应用在ReLU激活函数之前，正如上图所示。研究人员发现这样可以得到最好的结果。

为什么要跳过连接?

这是个有趣的问题。我认为在这里跳过连接有两个原因:

他们通过允许梯度通过这条可选的捷径来缓解梯度消失的问题
它们允许模型学习一个恒等函数，该函数确保高层的性能至少与低层一样好，而不是更差。

事实上，由于ResNet跳过连接被用于更多的模型架构中，比如全卷积网络(FCN)和U-Net。它们用于将信息从模型中的较早层传递到较晚层。在这些体系结构中，它们用于将信息从下采样层传递到上采样层。

测试我们构建的ResNet模型

然后将笔记本中编码的恒等和卷积块组合起来，创建一个ResNet-50模型，其架构如下:

ResNet-50模型

ResNet-50模型由5个阶段组成，每个阶段都有一个卷积和恒等块。每个卷积块有3个卷积层每个单位块也有3个卷积层。ResNet-50有超过2300万个可训练参数。

我已经在我的Github repo中包含的signs数据集上测试了这个模型。这个数据集有对应于6个类的手动图像。我们有1080张火车图像和120张测试图像。

符号数据集

我们的ResNet-50经过25个阶段的训练，测试精度达到86%。不错！

在Keras中用预训练库构建ResNet

我喜欢自己编写ResNet模型，因为它让我更好地理解了我经常在与图像分类，对象定位，分割等相关的许多迁移学习任务中使用的网络。

但是，对于更为常用的做法，在Keras中预训练的ResNet-50模型更快。Keras拥有许多这些骨干模型，其库中提供了Imagenet权重。

Keras 预训练的模型

我上传了一个Notebook放在Github上，使用的是Keras去加载预训练的模型ResNet-50。你可以用一行的代码来加载这个模型：

base_model = applications.resnet50.ResNet50(weights= None, include_top=False, input_shape= (img_height,img_width,3))

在这里weights=None，因为我想用随机权重初始化模型，就像我在ResNet-50 I编码时所做的那样。或者也可以加载预训练的ImageNet的权重。设置include_top=False，表示不包含原始模型中最后的池化层(pooling)和全连接层(fully connected)。我在ResNet50模型中添加了全局平均池化层(global average pooling)和密集输出层(dense output)。

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dropout(0.7)(x)
predictions = Dense(num_classes, activation= 'softmax')(x)
model = Model(inputs = base_model.input, outputs = predictions)

从上面的可以看到，Keras提供非常方便的接口去加载预训练模型，但重要的是至少要对ResNet自己编码一次，这样你才能理解这个概念，并且可以将这种学习应用到你正在创建的另一个新架构中。

这个Keras ResNet模型在使用了Adam优化器和0.0001的学习率，训练了100个epoch之后得到75%的正确率。这个正确率比我自己编码的模型要低一些，我想这应该和权重初始化有关。

Keras也提供了非常简单的数据增强(data augmentation)的接口，所以如果有机会，在数据集上试试增强，看看结果能不能得到更好的性能。