Eclipse Deeplearning4j GiChat课程:https://gitbook.cn/gitchat/column/5bfb6741ae0e5f436e35cd9f
Eclipse Deeplearning4j 系列博客:https://blog.csdn.net/wangongxi
Eclipse Deeplearning4j Github:https://github.com/eclipse/deeplearning4j
在上一篇博客中,我们用基于RBM的的Deep AutoEncoder对Mnist数据集进行压缩,应该说取得了不错的效果。这里,我们将神经网络这块替换成传统的全连接的前馈神经网络对Mnist数据集进行压缩,看看两者的效果有什么异同。整个代码依然是利用Deeplearning4j进行实现,并且为了方便以后的扩展,我们将其与Spark平台结合。下面,就具体来说一下模型的结构、训练过程以及最终的压缩效果。
首先,我们新建Maven工程并加入Deeplearning4j的相关依赖(这一块内容在之前的文章中多次提及,因此这里就不再啰嗦了)。接下来,我们新建Spark任务,读取已经存放在HDFS上的Mnist数据集(和之前文章中提到的一样,Mnist数据集已经事先以JavaRDD<DataSet>的形式存储在HDFS上,具体操作可以参考之前的博客。),并生成训练数据集JavaRDD。具体代码如下:
SparkConf conf = new SparkConf()
.set("spark.kryo.registrator", "org.nd4j.Nd4jRegistrator")
.setAppName("MLP AutoEncoder Mnist(Java)");
JavaSparkContext jsc = new JavaSparkContext(conf);
//
final String inputPath = args[0];
final String savePath = args[1];
double lr = Double.parseDouble(args[2]);
final int batchSize = Integer.parseInt(args[3]);
final int numEpoch = Integer.parseInt(args[4]);
//
JavaRDD<DataSet> javaRDDMnist = jsc.objectFile(inputPath);//read mnist data from HDFS
JavaRDD<DataSet> javaRDDTrain = javaRDDMnist.map(new Function<DataSet, DataSet>() {
@Override
public DataSet call(DataSet next) throws Exception {
return new DataSet(next.getFeatureMatrix(),next.getFeatureMatrix());
}
});
构筑完训练数据集之后,我们就可以定义网络结构并配以相应的超参数:
MultiLayerConfiguration netconf = new NeuralNetConfiguration.Builder()
.seed(123)
.iterations(1)
.learningRate(lr)
.learningRateScoreBasedDecayRate(0.5)
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
.updater(Updater.ADAM).adamMeanDecay(0.9).adamVarDecay(0.999)
.list()
.layer(0, new DenseLayer.Builder().nIn(784).nOut(1000).activation("relu").build())
.layer(1, new DenseLayer.Builder().nIn(1000).nOut(500).activation("relu").build())
.layer(2, new DenseLayer.Builder().nIn(500).nOut(250).activation("relu").build())
.layer(3, new DenseLayer.Builder().nIn(250).nOut(500).activation("relu").build())
.layer(4, new DenseLayer.Builder().nIn(500).nOut(1000).activation("relu").build())
.layer(5, new OutputLayer.Builder(LossFunctions.LossFunction.MSE)
.nIn(1000)
.nOut(784)
.activation("relu")
.build())
.backprop(true).pretrain(false)
.build();
ParameterAveragingTrainingMaster trainMaster = new ParameterAveragingTrainingMaster.Builder(batchSize)
.workerPrefetchNumBatches(0)
.saveUpdater(true)
.averagingFrequency(5)
.batchSizePerWorker(batchSize)
.build();
MultiLayerNetwork net = new MultiLayerNetwork(netconf);
net.init();
SparkDl4jMultiLayer sparkNetwork = new SparkDl4jMultiLayer(jsc, net, trainMaster);
sparkNetwork.setListeners(Collections.<IterationListener>singletonList(new ScoreIterationListener(1)));
这里我们做一些简要的说明:我们一共定义了5层的神经网络,并且每一层都是普通的全连接网络。学习率等超参数可以通过入口参数传递进来,损失函数用的是均方误差。后面的ParameterAveragingTrainingMaster以及Spark网络的定义在之前的文章中有过说明,这里就略过了。
那么,接下来就是训练的代码:
for( int i = 0; i < numEpoch; ++i ){
sparkNetwork.fit(javaRDDTrain); //train modek
System.out.println("----- Epoch " + i + " complete -----");
MultiLayerNetwork trainnet = sparkNetwork.getNetwork();
System.out.println("Epoch " + i + " Score: " + sparkNetwork.getScore());
List<DataSet> listDS = javaRDDTrain.takeSample(false, 50);
for( DataSet ds : listDS ){
INDArray testFeature = ds.getFeatureMatrix();
INDArray testRes = trainnet.output(testFeature);
System.out.println("Euclidean Distance: " + testRes.distance2(testFeature));
}
DataSet first = listDS.get(0);
INDArray testFeature = first.getFeatureMatrix();
double[] doubleFeature = testFeature.data().asDouble();
INDArray testRes = trainnet.output(testFeature);
double[] doubleRes = testRes.data().asDouble();
for( int j = 0; j < doubleFeature.length && j < doubleRes.length; ++j ){
double f = doubleFeature[j]; double t = doubleRes[j];
System.out.print(f + ":" + t + " ");
}
System.out.println();
}
训练过程中我们将在每一轮训练结束后随机抽取一些数据进行预测,并将预测值和原值进行欧氏距离的计算。同时我们也会随机抽取一张图片直接比较每个像素点值的不同。具体可以看下面的两张图:
完整的训练过程,Spark任务截图:
随机抽取的数据的比较:
在经过多轮次的训练后,我们将模型保存在HDFS上(具体的代码实现可以参考之前的博客)并且将其拉到本地后,随机预测/重构一些图片来看看效果,具体的,我随机选择了9张图进行重构,如下图:
最后做下小结。
这里我们用多层感知机来对Mnsit数据集进行压缩,并且也取得不错的压缩效果。和之前利用Deep AutoEncoder进行数据进行压缩的不同在于我们将每一层中RBM替换成了FNN。应当说,从肉眼的角度我们没法分辨两种网络对Mnist数据集压缩的好坏程度,但是从理论上,基于RBM的压缩网络应该会取得更好的效果,在Hinton教授的论文中,也拿两者做了比较,结论也是基于RBM的Deep AutoEncoder效果更好,实际中,两者都会应用到。所以还得还情况而定!