源碼及論文地址：https://github.com/BVLC/caffe/wiki/Model-Zoo#network-in-network-model

---

這篇paper改進了傳統的CNN網絡，采用了少量的參數就輕松擊敗了Alexnet網絡，Alexnet網絡參數大小是230M，采用這篇paper的算法才29M，減小了將近10倍。另外，這篇paper提出的網絡結構，是對傳統CNN網絡的一種改進。
先看一下摘要，對NIN有個簡單的了解：

文章中的兩個創新點：
1. MlpConv卷積層
傳統卷積層時下圖左側方式的，可以理解為是一個簡單的單層網絡，而MlpConv可以看成是每個卷積的局部感受野中還包含了一個微型的多層網絡，用來提高非線性。利用多層Mlp的微型網絡，對每個局部感受野的神經元進行更加復雜的運算，而以前的卷積層，局部感受野的運算僅僅只是一個單層的神經網絡罷了。

一個MlpConv的網絡結構如下：

layers {name: "conv1"type: CONVOLUTIONbottom: "data"top: "conv1"blobs_lr: 1blobs_lr: 2weight_decay: 1weight_decay: 0convolution_param {num_output: 192pad: 2kernel_size: 5weight_filler {type: "gaussian"std: 0.05}bias_filler {type: "constant"}} } layers {name: "relu1"type: RELUbottom: "conv1"top: "conv1" } layers {name: "cccp1"type: CONVOLUTIONbottom: "conv1"top: "cccp1"blobs_lr: 1blobs_lr: 2weight_decay: 1weight_decay: 0convolution_param {num_output: 160group: 1kernel_size: 1weight_filler {type: "gaussian"std: 0.05}bias_filler {type: "constant"value: 0}} } layers {name: "relu_cccp1"type: RELUbottom: "cccp1"top: "cccp1" } layers {name: "cccp2"type: CONVOLUTIONbottom: "cccp1"top: "cccp2"blobs_lr: 1blobs_lr: 2weight_decay: 1weight_decay: 0convolution_param {num_output: 96group: 1kernel_size: 1weight_filler {type: "gaussian"std: 0.05}bias_filler {type: "constant"value: 0}} } layers {name: "relu_cccp2"type: RELUbottom: "cccp2"top: "cccp2" }

其實結構很簡單，就是三個卷積層的堆疊，我們用Netscope可視化后可以看到一個MlpConv層的結構如下圖：

2. 全局平均池化（Global Average Pooling）
傳統的卷積神經網絡卷積運算一般是出現在低層網絡。對于分類問題，最后一個卷積層的特征圖通過量化然后與全連接層連接，最后在接一個softmax邏輯回歸分類層。這種網絡結構，使得卷積層和傳統的神經網絡層連接在一起。我們可以把卷積層看做是特征提取器，然后得到的特征再用傳統的神經網絡進行分類。

然而，全連接層因為參數個數太多，往往容易出現過擬合的現象，導致網絡的泛化能力不盡人意。于是Hinton采用了Dropout的方法，來提高網絡的泛化能力。

本文提出采用全局均值池化的方法，替代傳統CNN中的全連接層。與傳統的全連接層不同，我們對每個特征圖一整張圖片進行全局均值池化，這樣每張特征圖都可以得到一個輸出。這樣采用均值池化，連參數都省了，可以大大減小網絡，避免過擬合，另一方面它有一個特點，每張特征圖相當于一個輸出特征，然后這個特征就表示了我們輸出類的特征。這樣如果我們在做1000個分類任務的時候，我們網絡在設計的時候，最后一層的特征圖個數就要選擇1000。

論文中提到的全局平均池化的優點：
1. 相比于用全連接操作，feature map和類別之間用池化操作更自然些；
2. 參數量少了很多；
3. 全局平均池化考慮了圖像的空間特性，因此對輸入的空間變換有很好的魯棒性。
在實驗部分，作者在CIFAR-10數據庫上給出了驗證：

第一行是MlpConv結構+全連接，由于存在過擬合，因此結果不是很好；第二行加入了dropout，結果提升了一些。第三行采用全局池化，結果是最優的。

最后，NIN采用的網絡結構是：

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的论文阅读：Network In Network的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。