这一章我们一起来梳理一下深度学习中图像分类相关的算法。
推荐一个B站上讲解图像分类相关算法的很好的视频：https://space.bilibili.com/18161609/channel/detail?cid=97304&ctype=0
AlexNet
????????AlexNet网络结构比较简单，也是比较早期的模型，上图中分成两个路线，其实是利用两块GPU分别进行运行，只在特定的网络层才存在两者之间的交互，实质我们可以简化一下，只看其中一条路线。网络总共的层数为8层，5层卷积，3层全连接层。
这个网络的主要特点为：
????????1、使用relu激活函数，而不是sigmoid或者tanh，
这些饱和的非线性函数在计算梯度的时候都要比非饱和的现行函数2、f(x)=max(0,x)慢很多，在这里称为 Rectified Linear Units(ReLUs)。在深度学习中使用ReLUs要比等价的tanh快很多。
????????2、使用了LRN局部响应归一化，我们用激活函数将神经网络的输出增加非线性表达能力，tanh和sigmoid这些传统的激活函数的值域都是有范围的，但是ReLU激活函数得到的值域没有一个区间，所以要对ReLU得到的结果进行归一化。不过现在我们使用的batch normalization或者layer normalization等归一化方法效果要更好，所以这里我们不对LRN展开说明。
????????3、在全连接的前两层使用dropout来减少过拟合。
算法详情链接：https://blog.csdn.net/luoluonuoyasuolong/article/details/81750190?
VGG
????????VGG网络是2014年提出的，在Alexnet之后，其主要的改进点为：采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。
关于感受野的解释，可见下图：
网络结构：
?算法详情链接：https://zhuanlan.zhihu.com/p/41423739
GoogLeNet
?
GoogLeNet也是14年提出的网络，其主要特点为：
????????1、引入Inception结构，融合不同尺度的特征信息，其结构如下图：
注意这里每个分支的输出结构要一致，最后才可以拼接。
????????2、使用1x1的卷积核进行降维以及映射处理。
????????3、添加两个辅助分类器帮助训练。
????????4、丢弃全连接层，使用平均池化层，大大减少了模型参数。
GoogLeNet的参数量约为VGG的1/20。
算法详情链接：https://blog.csdn.net/qq_31531635/article/details/72232651
ResNet
?ResNet是微软在2015年提出的网络，其主要特点为：
????????1、提出residual模块，其主要思想为残差连接，主要用于解决网络退化问题，退化区别与梯度爆炸和梯度消失，其指的是随着网络深度加深而导致的网络效果下降。结构如下图：
????????2、超深的网络结构（突破1000层）。
????????3、使用了Batch normalization 加速训练。BN相关的内容可以参考我的另外一个文章：https://blog.csdn.net/mingzheng114/article/details/115982134?spm=1001.2014.3001.5501
?算法详情链接：https://www.cnblogs.com/shine-lee/p/12363488.html
?MobileNet
????????MobileNet是google在2017年提出的，专注于移动端设备推理的网络，相对于传统卷积神经网络，在准确率小幅下降的情况下大大减少了参数量和运算量（相对于VGG16准确率下降了0.9%，但是参数量仅为其1/32），其主要特点为：
????????1、使用了深度可分卷积，即DW卷积和PW卷积，大大减少了参数量和运算量。
?
?????????2、引入了超参数a,β，α参数是一个倍率因子，用来调整卷积核的个数，β是控制输入网络的图像尺寸参数
MobilenetV2
v2版本的模型是18年提出的，相对于v1准确率更高，参数量更少，其主要特点为：
????????1、Inverted Residuals(倒残差结构)
????????在残差结构中是1x1卷积降维->3x3卷积->1x1卷积升维，在倒残差结构中正好相反，是1x1卷积升维->3x3DW卷积->1x1卷积降维。为什么要这样做，原文的解释是高维信息通过ReLU激活函数后丢失的信息更少（注意倒残差结构中基本使用的都是ReLU6激活函数，但是最后一个1x1的卷积层使用的是线性激活函数）
????????注意所有的参加结构，都要求输出和输入具有相同的shape
2、Linear Bottlenecks
?????????Bottleneck指的就是一个倒残差结构组成的块，网络使用了多个bottlenect线性堆叠。
MobileNetV3
mobilnet是19年提出的网络，其特点为：
????????1、更新了bneck。
????????2、引入了SE结构。
????????3、更新了激活函数，利用h-swish代替swish函数。
第一列Input代表mobilenetV3每个特征层的shape变化；
第二列Operator代表每次特征层即将经历的block结构，我们可以看到在MobileNetV3中，特征提取经过了许多的bneck结构；
第三、四列分别代表了bneck内逆残差结构上升后的通道数、输入到bneck时特征层的通道数。
第五列SE代表了是否在这一层引入注意力机制。
第六列NL代表了激活函数的种类，HS代表h-swish，RE代表RELU。
第七列s代表了每一次block结构所用的步长。
????????bneck结构如下：
????????SE结构：轻量级的注意力模型。
????????这个注意力机制的作用方式是调整每个通道的权重。
ShuffleNet
????????ShuffleNet是旷视科技最近提出的一种计算高效的CNN模型，其和MobileNet一样主要是想应用在移动端，ShuffleNet的核心设计理念是对不同的channels进行shuffle来解决group convolution带来的弊端。
????????ShuffleNet的基本单元是在一个残差单元的基础上改进而成的。如图2-a所示，这是一个包含3层的残差单元：首先是1x1卷积，然后是3x3的depthwise convolution（DWConv，主要是为了降低计算量），这里的3x3卷积是瓶颈层（bottleneck），紧接着是1x1卷积，最后是一个短路连接，将输入直接加到输出上。现在，进行如下的改进：将密集的1x1卷积替换成1x1的group convolution，不过在第一个1x1卷积之后增加了一个channel shuffle操作。值得注意的是3x3卷积后面没有增加channel shuffle，按paper的意思，对于这样一个残差单元，一个channel shuffle操作是足够了。还有就是3x3的depthwise convolution之后没有使用ReLU激活函数。改进之后如图2-b所示。对于残差单元，如果stride=1时，此时输入与输出shape一致可以直接相加，而当stride=2时，通道数增加，而特征图大小减小，此时输入与输出不匹配。一般情况下可以采用一个1x1卷积将输入映射成和输出一样的shape。但是在ShuffleNet中，却采用了不一样的策略，如图2-c所示：对原输入采用stride=2的3x3 avg pool，这样得到和输出一样大小的特征图，然后将得到特征图与输出进行连接（concat），而不是相加。这样做的目的主要是降低计算量与参数大小。
?算法详情链接：https://zhuanlan.zhihu.com/p/32304419
EfficientNet
????????EfficientNet主要探索了网络输入的分辨率，网络深度和宽度对于最终性能的影响，这里不详细说，可以直接查看对应的算法详情链接。
算法详情链接：https://blog.csdn.net/qq_43258953/article/details/103092615
Vision Transformer(vit)
vision Transformer是20年的文章，其主要利用transformer来做图像相关任务。
????????图片的序列则是由一张图片切成多个patch得到，现将图片进行分块，切分后进行展平，将每个图像块展平为一维向量，比如得到的小块为长P宽P通道C的，展平后则为P*P*C。shape的变化是
，其中
.在代码中是一句话的事情，用了einops这个库。
x = einops.rearrange(img, 'b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = p, p2 = p)