[EECS 498-007 / 598-005] 8강: CNN Architecture

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌

 

(📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다)
https://velog.io/@ha_yoonji99/Michigan-DLcs231n-8%EA%B0%95-CNN-Architecture

[Michigan DL/cs231n] 8강: CNN Architecture

 

---

1. ImageNet classification Challenge

1) 개념

• 엄청 큰 규모 dataset
• 이미지 분류에 대한 큰 bench mark
• CNN설계에서 많은 시사점 남김
• 2010, 2011년 → Neural Network base X
• 2012년 → CNN이 첨으로 거대한 주류가 되던 해 (AlexNet이 압도함)

---

2. AlexNet

📍 계산구조 시사점: 초기 메모리多,파라미터수(fc layer)에서, 계산비용(conv에서 多)
1) 설계

• 227 * 227 inputs
• 5 conv layers
• Max pooling
• 3 fully-connected layers
• relu 비선형 함수

2) 단점

• Local response normalization사용 (현재는 사용X, batch norm의 선구자)
• 2개의 GTX 580 GPU에 학습됨
  • 각각 3GB 밖에 안됨 (현재는 12-18GB)
  • GPU 메모리에 맞추기 위해 2개의 서로 다른 물리적 GTX카드로 분산됨
    (GPU 여러개로 분할은 현대에서도 가끔 사용하지만 주로 사용X)

3) citations(인용횟수)

• 모든 과학분야에서 젤 인용 多
• 

4) 계산 구조

a. Conv Layer

• C=3
  : RGB
• input size; H/W=227
  : input size
• filters=64
  : output size의 channel과 같아야 됨
• output size; H/W=56
  : ((W-K+2P)/S)+1
  → ((227-11+4)/4)+1 = 56
• memory(KB)=784
  : (number of output elements) * (bytes per element) / 1024
  → (64(5656))*4/1024 = 784
• params(k) = 23 (학습가능 파라미터 수)
  : number of weights
  =(weight shape)+(bias shape)
  = (CoutCink*k) + Cout
  = (64311*11) + 64 = 23,296
• flop(M) = 73 (총 연산수 = 부동 소수점 연산수)
  : Number of floating point operations(multipy+add)
  = (number of output elements)*(1개의 output elem당 연산 수)
  = (CoutH’W’) * (Cinkk)
  = (645656) * (31111)
  = 72,855,552

b. pooling layer

• Cin = Cout = 64
• output size; H/W = 27
  : ((W-K+2P)/S)+1
  = 27.5 (Alexnet은 항상 나눠떨어지지x)
  = floor(27.5)=27 걍 내림함
• memory(KB) = 182
  : (number of output elements) * (bytes per element) / 1024
  = 182.25
• params(k) = 0
  : pooling layer에는 learnable parameter 없음
• flop(M) = 0
  : Number of floating point operations(multipy+add)
  = (number of output positions)*(1개의 output position당 연산 수)
  = (CoutH’W’) * (k*k)
  = 0.4 MFlop

c. flatten

• flatten output size = 9216 (모든 공간구조 파괴, 벡터로 평면화)
  : Cin * H * W
  =25666 = 9216

d. FC

• FC params
  : Cin * Cout + Cout
  = 9216 * 4096 + 4096
  = 37,725,832
• FC flops
  : Cin * Cout
  = 9216 * 4096
  = 37,748,736

5) 위 계산에서 알 수 있는 특징

• 시행착오적
• 지금은 사용 적음

a. Memory 사용량

• 초기에 메모리 多
  • 이유) 초기 conv layer의 output이 상대적으로 높은 공간 해상도와 많은 수의 filter가져서

b. parameter 수

• 모든 파라미터들은 fc layer에 존재
  • 이유) 66256의 tensor 가지고 있고, 4096의 숨겨진 차원으로 완전히 연결되어 있어서
    • Alexnet의 모든 learnable parameter가 fully connected layer에서 나옴

c. 계산 비용

• conv layer에서 연산량 多
  • 이유) 계산 비용은 fc에서는 별로 안큼.(걍 곱하기만 해서)
    반면 conv layer에는 filter수가 많고, 높은 공간 해상도면 계산비용 ↑

---

3. ZFNet: Bigger AlexNet

📍 계산구조 시사점: 더 큰 네트워크가 더 성능 good

1) 특징

• more trial, less error

2) AlexNet과 바뀐 점

• conv1
  • (11x11 stride 4) → (7x7 stride 2)로 바뀜
    • 기존 4만큼 down sample → 2만큼 down sample로 바뀜
    • 높은 공간 해상도 & 더 많은 receptive field & 더 많은 컴퓨팅 비용
• conv3,4,5
  • (384,384,256 filters) → (512,1024,512)로 바뀜
    • filter 크게 = 네트워크 더 크게

=⇒ 결론) 더 큰 네트워크가 더 성능이 좋다

---

4. VGG: Deeper Networks, Regular Design

📍 계산구조 시사점: 굳이 큰 필터 필요X, conv layer개수 더 중요, 채널 수 많아져도 계산비용 동일 - Stage 사용
1) AlexNet, ZFNet 공통 문제점

• ad hoc way (네트워크 확장, 축소 어려움)
• hand design 맞춤형 convolution architecture

⇒ VGG는 네트워크의 동일한 조건으로 전체 적용 (단순화함)

2) VGG 설계 규칙 (정확한 구성에 대해 생각X)

• 기본 세팅
  • All conv are 3x3 stride 1 pad 1
  • All max pool are 2x2 stride 2
  • After pool, double channels
• stage
  • Alexnet은 5개의 conv layer있었고, VGG는 더 깊게 한것
  • 1개의 stage = conv, pooling layer등 포함
  • VGG: 5개의 stage
  • 

3) 특정 설계 규칙 채택 이유

a. conv layer

• 기존: learnable parameter여서 매번 달라짐
• → conv = 3x3 으로 고정시킨 것
• 증명
  • 가정1: 1개의 conv layer + 5x5 kernel size 일때,
  • 

⇒ 굳이 큰 필터 필요X → hyperparameter로 kernel size 신경 필요X → conv layer수만 신경

b. pooling layer

• 해석
  • pool 할때마다 채널 수 2배로
• 증명
  • stage 1
  • 

4) AlexNet vs VGG-16

⇒ 결론) 네트워크 ↑ → 성능 ↑

5) 질문

Q. VGG도 multiple GPU사용?

A. multiple GPU있었지만, 데이터 병렬처리로 배치분할 & 배치별로 다른 GPU에서 계산

→ 모델 분할 X, 미니배치 분할O

---

5. GoogLeNet: Focus on Efficiency

📍 Stem, Inception Module, Global Average pooling, Auxiliary Classifier

• 기존) network커지면 : 성능 더 좋음

1) 개념

• 효율성에 초점 ⇒ 전체적인 복잡성 최소화

2) Stem network

• 개념
  • input image를 엄청나게 down sampling함 (경량의 stem 이용)
  • 몇개의 layer만으로 매우 빠르게 down sampling가능
  • 값비싼 convolution 수행필요X
• 구조
• 

• VGG와의 비교
• 

- VGG가 GoogleNet보다 18배 더 비쌈

3) Inception Module

• 개념
  • 전체 네트워크에서 반복되는 로컬 구조
  • 기존의 conv-conv-pool의 구조처럼, GoogleNet은 작은 inception module design해서 전체 네트워크에서 반복
• 구조
• 

- 3x3 max pooling stride 1

• 기능
  • 기능1
    • 기존의 kernel size를 대신하여 3x3 stack으로 대체할 수 있단것
    • hyper parameter로 kernel size제거 (항상 모든 kernel size 수행할 것이므로)
  • 기능2
    • 더 비싼 conv (3x3…) 사용전에 1x1 conv사용하여, 채널 수 줄임 (bottleneck현상 활용)

4) Global Average Pooling

• 개념
  • 파라미터를 줄여야하므로
  • 평탄화하여 공간정도 파괴하기보다, 전체에 대한 average pooling으로 공간 차원 축소한 뒤 FC Layer 한번 사용
• 구조
• 

• VGG와 비교
• 

5) Auxiliary Classifiers (보조 분류기)

• 개념
  • Batch norm 발생전에 생김
    • 10개 이상 layer가 있을때 train하기 어려웠음
    • 10개 이상 layer train 위해서 ugly hacks에 의존해야 했음
  • Network 깊이가 깊을때, 중간 layer의 학습 돕기 위해 설계
  • 최종적으로 맨 끝, 중간 이 2개 각각에서 점수 받음
    • gradient 계산해서 backprop하여 gradient 전파 (당시 심층 네트워크 수렴시키기 위한 trick)
    • 추가적인 보조 분류기 출력 (gradient)를 앞 계층에 넣고, 중간 계층에도 이게 도움되며, 이것들의 일부에 기반해서 분류할 수 있어야 됨

---

6. Residual Networks

📍 batch norm 발견이후/지름길/VGG(Stage) + GoogLeNet(Stem, Inception Module, Global Average pooling) 사용
1) 모델 생성 배경

• 문제점
  • Batch Norm발견 후, 기존에는 bigger layer이 더 성능 좋았는데 이제 깊은 모델이 성능 더 안좋아짐 !
    = layer가 깊어질수록 효율적인 최적화 불가능 !
• 문제에 대한 이유 예상
  • 깊은 모델이 overfitting 된 거다.
• 기본 가정
  • deeper model은 shallower model을 모방할 수 있다
    ex. 56 layer가 20 layer를 모방한다(20 layer의 모든 layer를 56 layer에 copy한다고 생각)
    → 따라서 deeper model은 최소한 shallow model보다 더 성능이 좋다
  • ⇒ 발생하는 문제점이 기본 가정에서 벗어남*
• 해결책
  • layer가 깊은 경우, identity function을 더 쉽게 학습할 수 있도록 network 변경해야됨
  • 그렇게 해서 나오게 된게 Residual Network

결론) layer가 깊어질수록 효율적인 최적화 불가능 → layer가 깊을때 identity function을 더 쉽게 학습하도록

2) Shortcut

• 개념
• 

- 지름길 생성

• 장점
  • identity function을 매우 쉽게 배울 수 있음
    • 지름길 사이의 block들을 가중치=0으로 block identity 계산 가능
      = deep network가 emulate(모방)하기 쉽게 만듦
  • gradient 전파를 개선하는데 도움
    • ex. 역전파의 +일때, 기울기를 입력에 모두 복사. 이 residual block을 통해 역전파시 지름길로 복사해줄 수 있음

3) 모델 구조

• 개념
  • VGG(단순한 설계 원칙)와 GoogleNet(수학적 계산)의 가장 좋은 부분에서 영감 받음
  • 많은 residual block의 stack임
  • a. VGG에서 따온 것*
  • 

  - 각 residual block은 2개의 3x3 conv 있음
  - Stage 구조
    - 각 stage의 첫번째 block은 stride 2 conv로 해상도 반으로 줄임
    - 채널 2배로 늘림

b. GoogleNet에서 따온 것

  - Stem 구조
    - 처음 input을 down sampling함

  - Global Average Pooling
    - 그대로 fully connected layer로 안넘김
    - 파라미터 줄이기 위함

c. 사용자가 정해야할 것
  - 초기 네트워크 너비 ex. C=64
  - stage당 block 수 ex. 3 residual blocks per stage

4) 모델 예시

a. ResNet-18

b. ResNet-34

• 해석
  • 매우 낮은 error 달성
• VGG-16과 비교
• 

- 둘다 resnet이 더 좋음
- GFLOP: ResNet은 앞에 downsampling하고 시작해서 차이 많이 남

5) Bottleneck Block (GoogleNet의 Inception Module)

• 개념
  • 더 깊어짐에 따라 Block design수정
• Basic Block
• 

- 각 conv layer에서만 계산 됨

• Bottleneck Block
• 

- 4배 많은 channel의 입력 수락

⇒ 결론) 계산 비용 증가시키지 않으면서, 더 깊은 네트워크 구축 가능

6) 최종 전체 모델 구조

• 개념
  • 깊게 쌓을수록, 더 error 줄어듦 !!
• 결과
  • 다 이겼음
  • 

---

7. Improving Residual Networks: Block Design

📍 Conv 전에 Batch norm과 Relu넣기

• 개념
  • Conv 전에 Batch norm과 Relu를 넣어서 성능 개선가능

---

8. Compare Complexity

• 전체 비교

• 해석
  • size of dot: 학습 파라미터 수
  • G-Ops(Operations): 해당 아키텍처의 여유경로 계산하는데 걸리는 FLOP수
  • Inception-v4: Resnet + Inception
  • VGG: 가장 높은 메모리, 가장 많은 연산량 (매우 비효율)
  • GoogLeNet: 매우 효율적 연산량, 그치만 성능은 그닥..
  • AlexNet: 매우 적은 연산량, 그치만 엄청 많은 파라미터 수
  • ResNet: 심플 디자인, 더 나은 효율성, 높은 accuracy (더 깊게 설계함에 따라)

---

9. Model Ensembles

• 2016 우승자: 좋은 모델들끼리 앙상블함

---

10. ResNeXt

📍 ResNet 개선 버전 - Group 추가

• 개념
  • 하나의 bottleneck이 좋으면, 이를 병렬적으로 구성하면 더 좋지 않겠는가!
  • 

• 계산 결과
  • Total FLOPs: (8Cc+9c^2)HWG
  • 이걸로 패턴 도출 가능
    • C=64,G=4,c=24 ; C=64,G=32,c=4 일때 위와 같은 결과 도출 가능
    • ⇒ 결론) Group 으로 병렬적으로 할때 더 좋은 성능 보임*

1) Grouped Convolution

• 구조
  • group=1일때
  • 

2) ResNeXt에 Group 추가

• 구조
• 

3) Group별 성능 결과

• 해석
  • Group을 추가함에 따라 성능 더 좋아짐!

---

11. SENet

(Squeeze and Excite)

• 개념
  • Residual block 사이에 Global pooling, FC, Sigmoid 넣어서 Global context 만듦