ImageNet 챌린지에서 우승한 모델들로, 대표적인 CNN 모델들(AlexNet, VGGNet, GoogleNet, ResNet)을 살펴볼 것이다. 이외에도 잘 사용하진 않지만 역사적으로 중요한 모델이나, 흥미로운 모델, 최신(2017 기준) 모델들도 다룰 것이다.
앞으로 말하는 ‘네트워크가 깊다’는 것은 “학습 가능한 가중치를 가진 레이어”의 개수가 많은 것을 의미한다. 가령 conv layer나 FC layer를 말하고, 이때 pooling layer는 포함되지 않는다.
- 실제로 성공적으로 사용된 최초의 conv net
- 숫자 인식에서 엄청난 성공을 거둠
- 최초의 large scale CNN으로 LeNet-5와 기본 구조가 크게 다르지 않음
- 2개의 GPU로 병렬연산을 수행하기 위해 병렬적인 구조로 설계된 것이 가장 큰 변화
- ImageNet의 classification task에서 우승한 모델
- CNN의 부흥을 일으킨 모델
- 다양한 task의 transfer learning에 많이 사용되어 옴
- 5개의 conv layer와 3개의 FC layer로 구성됨
- conv1 - max pool1 - norm1 - conv2 - max pool2 - norm2 - conv3 - conv4 - conv5 - max pool3 - fc6 - fc7 - fc8
- input 이미지의 크기는 227x227x3
- 첫번째 layer의 출력 사이즈: 55x55x96(width x height x 필터의 개수)
- parameter의 수: (11x11x3)x96 = 35K개
- 두번째 layer의 출력 사이즈: 27x27x96(depth의 크기는 변하지 않음)
- conv1 (첫 번째 layer)
- pooling layer
- 파라미터가 없음
- 가중치가 없고 특정 지역에서 가장 큰 값을 추출하는 역할만 함
- FC layer
- 4096개의 노드를 가진 레이어
- FC8은 softmax 함수 사용
- 활성화함수로 ReLU를 사용
- Data augmentation을 엄청 함 (flipping, jittering, color norm 등등)
- Drop out 0.5 - 학습 시 batch size는 128
- SGD momentum 0.9
- 초기 learning rate은 1e-2이고, val accuracy가 올라가지 않는 지점에서는 learning rate을 1e-10까지 줄임
- L2 weight decay
- 모델 앙상블로 성능을 향상시킴
- AlexNet 논문의 아키텍처와 관련된 이슈 - 위 그림에서는 첫 레이어가 224x224라고 되어 있지만 실제 입력은 227x227
다른 Conv Net과의 차이점 -> 모델이 두 개로 나눠져서 서로 교차함
- 모델의 기본 구조가 병렬 구조로 이루어져 있으며 두 개로 나눠져서 서로 교차함 → 네트워크를 GPU에 분산시켜서 넣음
- 첫 번째 레이어의 출력이 55x55x96이고, 각각의 GPU에서의 depth가 48
- 두 개의 GPU에서 feature map을 절반씩 나눠가짐
- conv1, 2, 4,5에서는 같은 GPU 내에 있는 feature map(48개)만 사용
- 반면에 conv3, FC6, 7, 8은 전체 feature map(98개)과 연결되어 있음
- 2014년도 ImageNet challenge의 classification task에서 2등한 oxford의 모델
- localization challenge 등 다른 task에서는 1등한 모델
- 이전 모델들과 비교했을 때 네트워크가 훨씬 기어지고 더 작은 필터를 사용함
- AlexNet에서는 8개의 레이어였지만 VGGNet에서는 16-19개의 레이어를 가짐
- 3x3 사이즈의 아주 작은 크기의 필터만 사용
- 필터의 크기가 작으면 파라미터의 수가 더 적어지고, 큰 필터를 사용했을 때보다 레이어를 더 많이 쌓아서 네트워크를 더 깊게 만들 수 있음(depth⬆)
- 3x3 필터를 3개 쌓은 것은 결국 7x7 필터를 사용하는 것과 동일한 receptive field를 가짐
- receptive field는 filter가 한 번에 볼 수 있는 입력의 sparical area
- 7x7 필터와 동일한 receptive field를 가지면서도 더 깊은 레이어를 쌓게 됨
- 네트워크를 더 깊게 함으로써 non-linearity를 더 추가할 수 있고, 파라미터의 수도 더 적어짐 (depth c인 네트워크에 대해 3x3 필터를 3개 사용할 경우 파라미터의 수는 3x3xCxCx3, 7x7 필터인 경우 7x7xCxC)
- 네트워크가 깊다는 것은 학습 가능한 가중치를 가진 레이어의 개수가 많다는 것을 의미
- Local Response Normalization 사용 안 함
- 성능 향상을 위해 앙상블 기법 사용
- VGG19가 메모리를 조금 더 쓰지만 성능이 좀 더 좋음
- 보통 VGG16을 더 많이 사용함
- 2014년도 ImageNet challenge 우승 모델
- 22개의 layers
- Inception module을 여러 개 쌓아서 만듦
- 파라미터의 수를 줄이기 위해 FC-layer를 없앰
- 네트워크가 훨씬 깊은데도 전체 파라미터 수는 5M 정도로 AlexNet(60M)보다 적음
- “network within a network”라는 개념으로 local topology를 구현
- 각각의 local network가 Inception module
- 위 그림은 기본적인 Inception module(naive version)
- 내부에는 동일한 입력을 받는 서로 다른 다양한 크기의 필터들이 병렬적으로 존재함
- 이는 다양한 feature를 뽑기 위해 여러 종류의 convolution filter를 병렬적으로 사용한 것임
- 다양한 연산을 수행하고 이를 하나로 합치는 단순한(naive) 방식에는 여러 문제가 있음
- 계산 비용의 문제. 연산량이 매우 많아짐
- pooling layer에서 depth가 그대로 유지돼서 레이어를 거칠 때마다 다른 레이어의 출력이 계속해서 더해져서 depth가 점점 커짐
👉🏻 bottleneck layer를 사용해서 해결!
bottleneck layer
- conv 연산을 수행하기 전에 입력을 더 낮은 차원으로 보냄
- 입력의 depth를 더 낮은 차원으로 projection 함
- Feature depth를 줄이기 위해 1x1 conv layer 사용
- input feature map들 간의 선형결합(linear combination)이라고 할 수 있음
- GoogleNet의 앞단(stem)은 일반적인 네트워크 구조
- 가중치를 가진 학습 가능한 레이어의 개수는 22개
- 각 Inception module은 1x1/3x3/5x5 conv layer를 병렬적으로 가지고 있음
- 앞단 이후에 Inception module을 쌓아올리고 마지막에 classifier 결과를 출력
- 보조분류기(auxiliary classifier)가 추가됨
- average pooling과 1x1 conv가 있고 FC-layer도 있음
- softmax로 ImageNet 클래스 분류
- ImageNet trainset loss 계산
- 네트워크가 깊어서 네트워크의 끝 뿐만 아니라 보조분류기에서도 loss를 계산함
- 보조분류기를 추가함으로써 그레디언트를 얻게 되고, 중간 레이어의 학습을 도움
- 2015 ILSVRC 우승한 모델
- 152개의 layer로 네트워크의 깊이가 매우 깊은 모델
- DNN에서 layer를 깊게 쌓을수록 성능이 더 좋아질 것이라고 예상했지만, 실제로는 20개 이상부터는 성능이 낮아지는 degradation 문제 발생
- ResNet은 Residual learning이라는 방법을 통해 모델의 층이 깊어져도 학습이 잘 되도록 구현한 모델
- 56 Layer의 CNN과 20 Layer의 CNN을 비교하여 테스트했을 때, test error가 56 Layer의 CNN이 더 높았음
- training error 역시 56 Layer CNN이 더 안 좋은 것으로 보아 성능이 낮은 이유가 overfitting 때문이 아님을 알 수 있음
- ResNet 저자들이 내린 가설은 더 깊은 모델 학습 시 optimization에 문제가 생긴다는 것. 즉 모델이 깊어질수록 최적화가 어렵다.
- “네트워크의 깊이가 더 깊다면 적어도 더 얕은 모델만큼의 성능은 나와야 한다” 이 추론을 이용해서 더 얕은 모델의 가중치를 더 깊은 모델의 일부 레이어에 복사. 나머지 레이어는 identity mapping(input을 그대로 output으로). 이렇게 하면 적어도 shallower model만큼의 성능은 보장됨
- 레이어를 단순하게 쌓지 않음으로써 위 motivation을 모델 아키텍처에 적용
👉🏻 Direct mapping 대신 Residual mapping을 하도록 블럭을 쌓는다!
- H(x)를 바로 학습하기보다 H(x)-x를 학습하도록! -> 이를 위해 skip connection 도입!
- 오른쪽 그림의 skip connection은 가중치가 없고, 입력은 identity mapping으로 그대로 output으로 내보냄
- 최종 출력값인 H(x)=F(x)+x에서 x는 input이 되고, F(x)는 변화량(delta, residual). 즉 최종 출력 값은 input X + 변화량(Residual)
- 결국 네트워크는 변화량(residual)만 학습하면 됨. H(x)를 직접 학습하는 대신 Residual를 학습하는 것이 훨씬 쉬울 것이라고 생각.
- Identity Mapping에 가까운 값을 얻기 쉬움 ( F(x)=0 )
- ResNet은 이처럼 residual block들을 쌓아 올린 구조
- 각각의 Residual block은 두 개의 3x3 conv layers로 이루어져 있음
- 주기적으로 필터를 두 배씩 늘리고 stride 2를 이용해서 downsampling을 수행
- 네트워크 초반에는 Conv-layer가 추가적으로 있고 네트워크 끝에는 FC-layer가 없음
- Global Average Pooling을 사용
- 하나의 Map 전체는 Average pooling
- 마지막에는 1000개의 클래스 분류를 위한 노드가 붙음
- ResNet의 경우 모델의 depth가 50 이상일 때 GoogleNet과 유사하게 Bottleneck Layer를 도입함
- 1x1 Conv layer를 도입하여 초기 필터의 depth를 줄여줌
- ResNet은 Conv layer 뒤에 모두 Batch Norm을 사용
- 가중치 초기화는 Xavier/2를 사용
- SGD + Momentum (0.9)
- Minibatch size 256
- weight decay 적용
- Drop out은 하지 않음
- 오른쪽 그래프에서 원의 크기는 메모리 사용량을 나타냄
- VGG - 가장 효율성이 떨어짐. 메모리 사용량도 크고 연산량이 많음
- AlexNet - 계산량이 작지만, 메모리 사용량이 크고 비효율적. 정확도도 낮은 편
- ResNet - 메모리 사용량과 계산량은 중간 정도이지만 accuracy는 최상위