VGGNet

تُعد شبكات VGGNets سلسلة من الشبكات العصبية الالتفافية (CNNs) التي طورتها مجموعة الهندسة البصرية (VGG) في جامعة أكسفورد .

تتضمن عائلة VGG تكوينات متنوعة بأعماق مختلفة، ويُرمز إليها بالحرف "VGG" متبوعًا بعدد طبقات الوزن. وأكثرها شيوعًا VGG-16 (13 طبقة التفافية + 3 طبقات متصلة بالكامل، 138 مليون مُعامل ) وVGG-19 (16 + 3، 144 مليون مُعامل). ^{[ 1 ]}

استُخدمت عائلة VGG على نطاق واسع في مجالات رؤية الحاسوب المختلفة. ^{[ 2 ]} حقق نموذج مُجمّع من شبكات VGG نتائج متقدمة في تحدي ImageNet للتعرف البصري واسع النطاق (ILSVRC) عام 2014. ^{[ 1 ] [ 3 ]} استُخدم هذا النموذج كمعيار للمقارنة في ورقة ResNet لتصنيف الصور ، ^{[ 4 ]} وكشبكة في شبكة CNN السريعة القائمة على المناطق للكشف عن الكائنات ، وكشبكة أساسية في نقل الأنماط العصبية . ^{[ 5 ]}

كانت هذه السلسلة ذات أهمية تاريخية باعتبارها نموذجًا مبكرًا مؤثرًا صُمم من خلال تجميع وحدات نمطية عامة، بينما صُممت شبكة AlexNet (2012) من الصفر. كما كان لها دورٌ أساسي في تغيير حجم نواة الالتفاف القياسية في الشبكات العصبية الالتفافية من حجم كبير (يصل إلى 11×11 في AlexNet) إلى 3×3 فقط، وهو قرار لم يُراجع إلا في ConvNext (2022). ^{[ 6 ] [ 7 ]}

أصبحت شبكات VGGNets قديمة الطراز بعد ظهور شبكات Inception و ResNet و DenseNet . وتُعدّ RepVGG (2021) نسخة محدّثة من هذه البنية. ^{[ 8 ]}

المبدأ المعماري الأساسي لنماذج VGG هو الاستخدام المتسق للعناصر الصغيرة${\displaystyle 3\times 3}$تستخدم الشبكة مرشحات التفافية في جميع أنحائها. وهذا يتناقض مع بنى الشبكات العصبية الالتفافية السابقة التي كانت تستخدم مرشحات أكبر، مثل${\displaystyle 11\times 11}$في شبكة أليكس نت. ^{[ 7 ]}

على سبيل المثال، اثنان${\textstyle 3\times 3}$تتمتع الالتفافات المكدسة معًا بنفس وحدات البكسل في مجال الاستقبال التي تتمتع بها وحدة واحدة${\textstyle 5\times 5}$الالتفاف، لكن الأخير يستخدم${\textstyle \left(25\cdot c^{2}\right)}$بينما يستخدم الأول المعلمات${\textstyle \left(18\cdot c^{2}\right)}$المعلمات (حيث${\displaystyle c}$(عدد القنوات). أظهرت الدراسة الأصلية أن الشبكات العصبية التلافيفية العميقة والضيقة تتفوق بشكل ملحوظ على نظيراتها الضحلة والواسعة. ^{[ 7 ]}

تُعد سلسلة نماذج VGG شبكات عصبية عميقة تتكون من وحدات نمطية عامة:

1. الوحدات الالتفافية :${\displaystyle 3\times 3}$طبقات التفافية بخطوة 1، متبوعة بتنشيطات ReLU.
2. طبقات التجميع الأقصى : بعد بعض وحدات الالتفاف، تأتي طبقات التجميع الأقصى مع${\displaystyle 2\times 2}$يتم تطبيق مرشح وخطوة مقدارها 2 لتقليل دقة خرائط الميزات. يؤدي ذلك إلى تقليل كل من العرض والارتفاع إلى النصف، مع الحفاظ على عدد القنوات.
3. الطبقات المتصلة بالكامل : ثلاث طبقات متصلة بالكامل في نهاية الشبكة، بأحجام 4096-4096-1000. تحتوي الطبقة الأخيرة على 1000 قناة تتوافق مع 1000 فئة في ImageNet.
4. طبقة سوفتماكس : تقوم طبقة سوفتماكس بإخراج توزيع الاحتمالات على الفئات.

تتضمن عائلة VGG تكوينات متنوعة بأعماق مختلفة، يُرمز إليها بالحرف "VGG" متبوعًا بعدد طبقات الوزن. وأكثرها شيوعًا هما VGG-16 (13 طبقة التفافية + 3 طبقات متصلة بالكامل) وVGG-19 (16 + 3)، ويُشار إليهما بالتكوينين D و E في الورقة الأصلية. ^{[ 10 ]}

على سبيل المثال، تتكون طبقات الالتفاف الـ 16 في VGG-19 من العناصر التالية:$${\displaystyle {\begin{aligned}&3\to 64\to 64&\xrightarrow {\text{downsample}} \\&64\to 128\to 128&\xrightarrow {\text{downsample}} \\&128\to 256\to 256\to 256\to 256&\xrightarrow {\text{downsample}} \\&256\to 512\to 512\to 512\to 512&\xrightarrow {\text{downsample}} \\&512\to 512\to 512\to 512\to 512&\xrightarrow {\text{downsample}} \end{aligned}}}$$حيث السهم${\displaystyle c_{1}\to c_{2}}$يعني ذلك عملية التفاف 3×3 مع${\displaystyle c_{1}}$قنوات الإدخال و${\displaystyle c_{2}}$قنوات الإخراج والخطوة 1، متبوعة بتنشيط ReLU.${\displaystyle \xrightarrow {\text{downsample}} }$يعني ذلك طبقة تقليل حجم العينة عن طريق التجميع الأقصى 2x2 مع خطوة 2.

تم تنفيذ نماذج VGG الأصلية باستخدام نسخة من C++ Caffe ، مُعدّلة للتدريب والتقييم على وحدات معالجة رسومية متعددة مع توازي البيانات . على نظام مُجهز بأربع وحدات معالجة رسومية NVIDIA Titan Black ، استغرق تدريب شبكة واحدة من أسبوعين إلى ثلاثة أسابيع، وذلك حسب بنية النظام. ^{[ 1 ]}