深度學習經典論文
2021/01/28
-----
前言：
若將深度學習的核心濃縮成兩個主題：在電腦視覺 Computer Vision（CV）上，可說 CV 就是 ResNet，Ensemble 的 CNN。在自然語言處理 Natural Language Processing（NLP）上，可說 NLP 就是文字向量在垂直上的詞義 word meaning、句法 syntax、語義 semantic 分解與水平上的 Query、Key、Value（QKV）分解。底下以四十篇論文來闡述這個論點。
-----
https://pixabay.com/zh/photos/camera-photographs-souvenir-1130731/
-----
以下是論文閱讀順序的編排：
分成十個階段，選擇四十篇論文，CV 與 NLP 各半，「簡述」十篇深度學習經典論文（LeNet、NIN、ResNet、FCN、YOLO、LSTM、Seq2se2、Attention、ConvS2S、Transformer） 跟延伸的主題（AlexNet、GoogLeNet、DenseNet、PFPNet、Mask R-CNN、Word2vec、Paragraph2vec、Short Attention、ELMo、BERT）。
-----
01A：LeNet。01B：AlexNet（可補充 Dropout）。
02A：NIN（可補充 SENet）。02B：GoogLeNet（可補充 Inception v3，Label smoothing）。
03A：ResNet。03B：DenseNet（可補充 CSPNet，YOLO v4 的骨幹網路）。
04A：FCN。04B：PFPNet（可補充 Faster R-CNN 與之前的論文）。
05A：YOLO（可補充 YOLO v4）。05B：Mask R-CNN（可補充 Faster R-CNN 與之後的論文）。
-----
06A：LSTM。06B：Word2vec（詞義、句法）（可補充 C&W v2）。
07A：Seq2seq。07B：Paragraph2vec（詞義、句法、語義）（可補充 Skip-thought）。
08A：Attention。08B：Short Attention（QKV，水平分解）。
09A：ConvS2S。09B：ELMo（詞義、句法、語義，的垂直分解）（可補充 Context2vec）。
10A：Transformer。10B：BERT（詞義、句法、語義，的垂直分工，可補充 BERT NLP Pipeline）。
-----
Summary：
以下是 CV [1]-[20]。
1998 的 LeNet [1] 是經典的卷積神經網路 Convolutional Neural Network（CNN），架構包含卷積層、機活函數、池化層、全連接層、輸出層、損失函數、梯度下降與反向傳播的介紹。
2012 的 AlexNet [2] 則是第一個大獲成功的 CNN，它的圖片與資料集都比 LeNet 大。除了使用 GPU 加速，也整合了當時許多的技巧，最重要的是 Dropout [3]。Dropout 是以隨機丟棄神經元的訓練方式，使得網路具有多個子網路的平均的加成效果。Dropout 的技巧也被用在 Transformer 上。
NIN [4] 藉著通道間特徵圖的重新融合，不僅提高正確率，它的主要技巧 Conv1 可以用來升降維（增多或減少特徵圖數量）也成為後續神經網路的標準配備。SENet [5] 也探討通道間的特徵圖，但它不是如 NIN 的重新融合，而是就單一特徵圖整張的值進行放大或縮小。
GoogLeNet [6] 是 AlexNet 之後成功的深層網路，它運用 NIN 的 Conv1 將 5x5、3x3、1x1、Maxpooling 四種特徵圖重新融合並持續加深，獲得了 AlexNet 之後，新的成功。GoogLeNet 又可稱為 Inception v1。Inception v3 [7] 有一個 Label Smoothing 的技巧，有正規化的功能，可以減少過度擬合，Label Smoothing 的技巧也被用在 Transformer 上。
ResNet [8] - [12] 可說是 CNN 的核心。ResNet v1 [8] 加上 identity mapping，成功地將 VGGNet 的十九層推進到百層，但無法到千層。ResNet-D [9] 則加上 Dropout 的技巧隨機丟棄一些卷積層，成功地將網路推進到千層。ResNet v2 [10] 則是將 ReLU 搬到 identity mapping 之外，不需使用 Dropout 的技巧，也可以將網路推進到千層。ResNet-E [11] 分析了 ResNet v2，發現它其實是多的淺層網路的 ensemble。ResNet-V [12] 將 ResNet 的損失函數可視化，發現比起 VGGNet 等傳統 CNN，ResNet 的損失函數平化許多。這是因為 ensemble 的平均所造成。Dropout 也是一種 ensemble。
DenseNet [13] 有別於 ResNet 的 ensemble，它將特徵圖在後續的層重新平均，所以損失函數也呈現平滑化。DenseNet 與 ResNet 的效果接近。CFPNet [14] 減少特徵圖的計算，可以加速 ResNet 與 DenseNet 並取得接近的正確率，CFPNet 是 YOLO v4 的骨幹網路。
以上，LeNet、NIN、ResNet 是 CNN 的三個階段性演進。
FCN [15] 全卷積網路是第一個成功的語義分割網路，有別於 CNN 主要是圖片分類，FCN 的功能是像素分類，屬於 CNN 的應用。全卷積網路不需要固定輸入圖片的大小。
PFPNet [16] 是基於 FCN 的全景分割。物件偵測（以 Faster R-CNN 為例）加上語義分割（以 FCN 為例）是實例分割（以 Mask R-CNN 為例）。全景分割（以 PFPNet 為例）則是語義分割（以 FCN 為例）加上實例分割（以 Mask R-CNN 為例）。
YOLO [17] 是第一個成功的 one-stage 物件偵測，快，但是準確率不高。到 YOLO v4 [18] 的時候，快，而且準確率高。Mask R-CNN [19] 則是基於 two-stage 物件偵測的 Faster R-CNN [20] 上的實例偵測。它使用 RoIAlign 確定像素在池化前的真正位置，提高了正確率。
-----
以下是 NLP [21]-[40]。
LSTM [21] 用來處理時序資料，若時序資料是文字，則文字需要用 Word Embedding [22] - [26] 的技巧先將文字轉成向量，才可以用 LSTM 處理。
Word2vec [22] - [24] 是經典的詞向量技巧。Word2vec 1 [22] 主要是多字預測一字的 CBOW 與一字預測多字的 skip-gram。訓練技巧在 Word2vec 2 [23] 提到有 Negative Sampling 減少不需要的取樣以及 Hierarchical Softmax 重組預測路徑來改善 Word2vec 的訓練。Word2vec 3 [24] 則是簡易論文版本。C&W v1 [25] 與 C&W v2 [26] 也是詞向量的方法。其中 C&W v2 用 window approach 在語義上的任務效能較差，因此論文作者又推出 sentence approach 的版本，此結果說明了 Sentence Embedding 的必要性。
Seq2seq 1 [27] 與 Seq2seq 2 [ 28] 是基於 LSTM（或類似的 GRU）單元的模型，主要用途也是機器翻譯。優於 LSTM 的地方在於整句讀完再輸出，避免斷章取義的缺點。
Paragraph2vec [29] 是 Sentence Embedding 句向量的方法。跟 Word2vec 類似，只是整個段落會變成一個 id 參與訓練，因此 id 就會獲得一個句向量。此方法不算實用，後續的 Skip-thought [30] 基於 Seq2seq 的架構，只是輸入句可以同時預測前一個句子與後一個句子，如此訓練效果較佳。
Attention [31] - [33] 比起 Seq2seq 將句子壓縮成單一向量的粗糙作法，它的每個輸出字都會考慮輸入句的每個字的權重。Attention 1 [31] 考慮的是整個輸入句，Visual Attention [32] 將 Attention 的概念用在圖片文字的轉換上。Attention 2 [33] 則是在 Attention 1 的 Global Attention 上，又增加了 Local Attention。
Short Attention [34] 則是在 Memory Network 的基礎上，仔細探討詞向量如何分解成 Query、Key、Value 三個向量。Key 類似 index，Value 是實際的內容，Query 則是下一個字的預測的機率分布。QKV 被使用於 ConvS2S 與 Transformer。
ConvS2S [35] 不使用傳統的 LSTM，而是用一維的 CNN 來處理文字向量，因此可以用 GPU 加速。QKV 的分解也改善了結果。
ELMo [36] 是 Context2vec [37] 的較佳論文。可以改善一字多義的語義級別的 NLP 任務。它先在預訓練層級將 Word Meaning、Syntax、Semantic 三個層級的向量串接起來，然後在實際的任務訓練出個別的權重。
Transformer [38] 與 ConvS2S 架構上類似，都是 Source-Output-Target Relational Model（STORM）。最大的差別是 Transformer 不用卷積，並且在 Encoder 與 Decoder 兩端都先使用全連接的 self-attention，可以精確地理解每個字在句子中代表哪個其他的字。
BERT [39] 使用雙向的 Transformer Encoder 的模型先進行預訓練。預訓練有兩個方法，克漏字類似 CBOW，預測缺少的字，以及下個句子預測，類似 Skip-gram。後續再加上簡單的線性輸出層，進行四種主要的 NLP 任務。BERT NLP [40] 則是用實驗分析 BERT 在詞向量的輸入後，BERT 的低層主要實現 Syntax 的功能，高層主要實現 Semantic 的功能。
-----
結語：
Summary 的內容，簡單以四十篇論文，總結了深度學習的機器視覺與自然語言處理的演進，核心我們再說一次：：在電腦視覺 Computer Vision（CV）上，可說 CV 就是 ResNet，Ensemble 的 CNN。在自然語言處理 Natural Language Processing（NLP）上，可說 NLP 就是文字向量在垂直上的詞義 word meaning、句法 syntax、語義 semantic 分解與水平上的 Query、Key、Value（QKV）分解。
-----
References
# 01A
[1] LeNet。
LeCun, Yann, et al. "Gradient-based learning applied to document recognition." Proceedings of the IEEE 86.11 (1998): 2278-2324.
http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
# 01B
[2] AlexNet。（Dropout）。
Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks." Advances in neural information processing systems 25 (2012): 1097-1105.
https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
-----
[3] Dropout。
Srivastava, Nitish, et al. "Dropout: a simple way to prevent neural networks from overfitting." The journal of machine learning research 15.1 (2014): 1929-1958.
https://www.jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf
# 02A
[4] NIN。
Lin, Min, Qiang Chen, and Shuicheng Yan. "Network in network." arXiv preprint arXiv:1312.4400 (2013).
https://arxiv.org/pdf/1312.4400.pdf
[5] SENet。
Hu, Jie, Li Shen, and Gang Sun. "Squeeze-and-excitation networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.
https://openaccess.thecvf.com/content_cvpr_2018/papers/Hu_Squeeze-and-Excitation_Networks_CVPR_2018_paper.pdf
# 02B
[6] GoogLeNet。（Inception 系列，到 v3 時有 Label Smoothing）。
Szegedy, Christian, et al. "Going deeper with convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.
https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf
[7] Inception v3。
Szegedy, Christian, et al. "Rethinking the inception architecture for computer vision." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Szegedy_Rethinking_the_Inception_CVPR_2016_paper.pdf
-----
# 03A
[8] ResNet v1。
He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
https://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf
[9] ResNet-D。
Huang, Gao, et al. "Deep networks with stochastic depth." European conference on computer vision. Springer, Cham, 2016.
https://arxiv.org/pdf/1603.09382.pdf
[10] ResNet v2。
He, Kaiming, et al. "Identity mappings in deep residual networks." European conference on computer vision. Springer, Cham, 2016.
https://arxiv.org/pdf/1603.05027.pdf
[11] ResNet-E。
Veit, Andreas, Michael J. Wilber, and Serge Belongie. "Residual networks behave like ensembles of relatively shallow networks." Advances in neural information processing systems. 2016.
https://papers.nips.cc/paper/2016/file/37bc2f75bf1bcfe8450a1a41c200364c-Paper.pdf
[12] ResNet-V。
Li, Hao, et al. "Visualizing the loss landscape of neural nets." Advances in Neural Information Processing Systems. 2018.
https://papers.nips.cc/paper/2018/file/a41b3bb3e6b050b6c9067c67f663b915-Paper.pdf
# 03B
[13] DenseNet。
Huang, Gao, et al. "Densely connected convolutional networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
https://openaccess.thecvf.com/content_cvpr_2017/papers/Huang_Densely_Connected_Convolutional_CVPR_2017_paper.pdf
[14] CSPNet。
Wang, Chien-Yao, et al. "CSPNet: A new backbone that can enhance learning capability of cnn." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020.
https://openaccess.thecvf.com/content_CVPRW_2020/papers/w28/Wang_CSPNet_A_New_Backbone_That_Can_Enhance_Learning_Capability_of_CVPRW_2020_paper.pdf
# 04A
[15] FCN。
Long, Jonathan, Evan Shelhamer, and Trevor Darrell. "Fully convolutional networks for semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.
https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Long_Fully_Convolutional_Networks_2015_CVPR_paper.pdf
# 04B
[16] PFPNet。
Kirillov, Alexander, et al. "Panoptic feature pyramid networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
https://openaccess.thecvf.com/content_CVPR_2019/papers/Kirillov_Panoptic_Feature_Pyramid_Networks_CVPR_2019_paper.pdf
# 05A
[17] YOLO。被引用 12295 次。
Redmon, Joseph, et al. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf
[18] YOLOv4。
Bochkovskiy, Alexey, Chien-Yao Wang, and Hong-Yuan Mark Liao. "YOLOv4: Optimal Speed and Accuracy of Object Detection." arXiv preprint arXiv:2004.10934 (2020).
https://arxiv.org/pdf/2004.10934.pdf
# 05B
[19] Mask R-CNN。
He, Kaiming, et al. "Mask r-cnn." Proceedings of the IEEE international conference on computer vision. 2017.
https://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf
[20] Faster R-CNN。
Ren, Shaoqing, et al. "Faster r-cnn: Towards real-time object detection with region proposal networks." arXiv preprint arXiv:1506.01497 (2015).
https://arxiv.org/pdf/1506.01497.pdf
# 06A
[21] LSTM。
Hochreiter, Sepp, and Jürgen Schmidhuber. "Long short-term memory." Neural computation 9.8 (1997): 1735-1780.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.676.4320&rep=rep1&type=pdf
# 06B
[22] Word2vec 1。
Mikolov, Tomas, et al. "Efficient estimation of word representations in vector space." arXiv preprint arXiv:1301.3781 (2013).
https://arxiv.org/pdf/1301.3781.pdf
[23] Word2vec 2。
Mikolov, Tomas, et al. "Distributed representations of words and phrases and their compositionality." Advances in neural information processing systems. 2013.
https://papers.nips.cc/paper/2013/file/9aa42b31882ec039965f3c4923ce901b-Paper.pdf
[24] Word2vec 3。
Rong, Xin. "word2vec parameter learning explained." arXiv preprint arXiv:1411.2738 (2014).
https://arxiv.org/pdf/1411.2738.pdf
[25] C&W v1。
Collobert, Ronan, and Jason Weston. "A unified architecture for natural language processing: Deep neural networks with multitask learning." Proceedings of the 25th international conference on Machine learning. 2008.
http://www.cs.columbia.edu/~smaskey/CS6998-Fall2012/supportmaterial/colbert_dbn_nlp.pdf
[26] C&W v2。
Collobert, Ronan, et al. "Natural language processing (almost) from scratch." Journal of machine learning research 12.ARTICLE (2011): 2493-2537.
https://www.jmlr.org/papers/volume12/collobert11a/collobert11a.pdf
# 07A
[27] Seq2seq 1。
Sutskever, Ilya, Oriol Vinyals, and Quoc V. Le. "Sequence to sequence learning with neural networks." Advances in neural information processing systems. 2014.
http://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf
[28] Seq2seq 2。
Cho, Kyunghyun, et al. "Learning phrase representations using RNN encoder-decoder for statistical machine translation." arXiv preprint arXiv:1406.1078 (2014).
https://arxiv.org/pdf/1406.1078.pdf
# 07B
[29] Paragraph2vec。
Le, Quoc, and Tomas Mikolov. "Distributed representations of sentences and documents." International conference on machine learning. 2014.
http://proceedings.mlr.press/v32/le14.pdf
[30] Skip-thought。
Kiros, Ryan, et al. "Skip-thought vectors." arXiv preprint arXiv:1506.06726 (2015).
https://arxiv.org/pdf/1506.06726.pdf
# 08A
[31] Attention 1。
Bahdanau, Dzmitry, Kyunghyun Cho, and Yoshua Bengio. "Neural machine translation by jointly learning to align and translate." arXiv preprint arXiv:1409.0473 (2014).
https://arxiv.org/pdf/1409.0473.pdf
[32] Visual Attention。
Xu, Kelvin, et al. "Show, attend and tell: Neural image caption generation with visual attention." International conference on machine learning. 2015.
http://proceedings.mlr.press/v37/xuc15.pdf
[33] Attention 2。
Luong, Minh-Thang, Hieu Pham, and Christopher D. Manning. "Effective approaches to attention-based neural machine translation." arXiv preprint arXiv:1508.04025 (2015).
https://arxiv.org/pdf/1508.04025.pdf
# 08B
[34] Short Attention。
Daniluk, Michał, et al. "Frustratingly short attention spans in neural language modeling." arXiv preprint arXiv:1702.04521 (2017).
https://arxiv.org/pdf/1702.04521.pdf
# 09A
[35] ConvS2S。
Gehring, Jonas, et al. "Convolutional sequence to sequence learning." arXiv preprint arXiv:1705.03122 (2017).
https://arxiv.org/pdf/1705.03122.pdf
# 09B
[36] ELMo。
Peters, Matthew E., et al. "Deep contextualized word representations." arXiv preprint arXiv:1802.05365 (2018).
https://arxiv.org/pdf/1802.05365.pdf
[37] Context2vec。被引用 312 次。
Melamud, Oren, Jacob Goldberger, and Ido Dagan. "context2vec: Learning generic context embedding with bidirectional lstm." Proceedings of the 20th SIGNLL conference on computational natural language learning. 2016.
https://www.aclweb.org/anthology/K16-1006.pdf
# 10A
[38] Transformer。
Vaswani, Ashish, et al. "Attention is all you need." Advances in neural information processing systems. 2017.
https://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf
# 10B
[39] BERT。
Devlin, Jacob, et al. "Bert: Pre-training of deep bidirectional transformers for language understanding." arXiv preprint arXiv:1810.04805 (2018).
https://arxiv.org/pdf/1810.04805.pdf
[40] BERT NLP Pipeline。
Tenney, Ian, Dipanjan Das, and Ellie Pavlick. "BERT rediscovers the classical NLP pipeline." arXiv preprint arXiv:1905.05950 (2019).
https://arxiv.org/pdf/1905.05950.pdf
-----
