论文笔记：Network in network

摘要

Network in Network(‘NIN’) 构造了一个复杂的微型网络结构，用于对数据进行抽象处理（其实就是提取特征）。利用全局平均池化对特征图进行分类，能够有效避免过拟合问题。

特点

卷积神经网络的假定是线性可分的。NIN中的微型网络结构可以进行非线性的划分。利用多层感知机（MLP）作为微型网络结构的一部分，感知机是普遍的函数近似者，同时又可以进行back propagation.

mlpconv layer代替了传统神经网络的卷基层和pooling层，mlpconv layer的中间是多个MLP串联，多个mlpconv layer串联构成了NIN。

传统神经网络fc层是黑箱，用全局均值池化来代替fc层，它是特征图和分类之间的链接通道。fc会导致过拟合问题，同时依赖dropout规范化现象很严重，全局均值池化本身就带有规则化的功能，能够有效的避免过拟合问题。

全局均值池化特点：One advantage of global average pooling over the fully connected layers is that it is more native to the convolution structure by enforcing correspondences between feature maps and categories. 第二点，不要要进行参数优化，避免了过拟合。此外，全局均值池化总结了空间信息，对于空间信息的转换更加具有鲁棒性。

















这里选择多层感知机主要考虑了以下两个方面：

1. 多层感知机跟卷及神经网络一样可以利用back propogation 进行反馈 训练网络；

2. 多层感知机自己也可以生成深度模型。

传统卷积神经网络可以看做特征提取器，full-connected结构 后面连接的softmax等分类结构。

但是fc层存在很多问题，易于过拟合，影响整个网络的性能。dropout可以设置一部分fc参数为0，从而使其对网络不产生影响，因此总会跟fc层一起使用。

global average pooling用来代替传统的fc网络层。

visualization of NIN

对最后一层milconv layer进行可视化。。。。。、

并不是global average pooling 可视化。

可以直接利用caffe对特征图进行可视化。

这篇文章看了很久了，终于看明白了。

MLPconv层，其实就是一个正常的卷积神经网络+kernel为1 的卷积神经网络（n个），每个卷积神经网络的特征层数可以自己设置，但是最后一组的最后一个mlpconv层的输出维数为类别数（class数目）。

global average pooling层 就是对最后的n个特征层数，每个特征层做一个均值，就生成了n个数字，然后输入softmax进行分类。它的kernel大小要根据最后一组最后一层卷积神经网络的输出大小决定，比如是10（类数）X m（pooling后的大小） X m,那么kernel的值就应该是m。

Emma

2017.02.27