（Caffe）LSTM层分析

最新推荐文章于 2022-05-04 18:20:16 发布

qq_41483834

最新推荐文章于 2022-05-04 18:20:16 发布

阅读量156

点赞数

分类专栏： ocr

原文链接：https://blog.csdn.net/mounty_fsc/article/details/53114698

版权

ocr 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本文链接： https://blog.csdn.net/mounty_fsc/article/details/53114698

本文地址：http://blog.csdn.net/mounty_fsc/article/details/53114698

本文内容：

本文描述了Caffe中实现LSTM网络的思路以及LSTM网络层的接口使用方法。
本文描述了论文《Long-term recurrent convolutional networks for visual recognition and description》的算法实验
本文不做LSTM原理介绍，不从数学角度推导反向传播，不进行Caffe详细代码分析
本文基于对Caffe的代码及使用有一定的了解

涉及LSTM算法原理的部分可以参考其他文章见如理解 LSTM 网络等。

1 简介及相关论文

LSTM为处理具有时间维度以及类似时间维度信息的RNN深度神经网络的一种改进模型，参考文献[1，2]，在不少问题上能弥补CNN只能处理空间维度信息的缺陷。不同于CNN的深度体现在网络层数及参数规模上，RNN/LSTM的深度主要体现在时间节点上的深度。

Caffe中的LSTM相关代码由Jeff Donahue基于文献[1]的实验Merge而来。文献[3]中有三个关于使用LSTM的实验：（1）行为识别（介绍及代码）（2）图像描述（图像标注，介绍及代码）（3）视频描述。三个实验难度依次递增。其中前两个实验代码开源。

论文图片

本文主要从文献[3]第一个实验出发，介绍LSTM的接口的使用。

2 行为识别实验

实验使用UCF-101 数据集。行为识别实验目的为给定一视频片段，判断出视频片段人物的行为。

2.1 算法介绍

如1.1图所示，该实验的方法为：

首先提取视频的部分帧
其次根据标注的帧预训练一个图片分类网络（基于AlexNet）
训练LSTM模型
- 预训练的共享的CNN提取一段视频序列（时间上相关的帧）的CNN特征
- 以上特征输入至LSTM单元
- 对每个LSTM单元的输出取平均得到最后的检测结果

2.2 网络模型

Caffe训练网络的网络结果如下所示：

2.3相关术语及变量

3 Caffe 相关类及接口

3.1 相关类

主要类说明见官方文档 RecurrentLayer、LSTMLayer、LSTMUnitLayer。

其中：

RecurrentLayer为一个抽象类，定义了处理时间序列的循环神经网络的通用行为
LSTMLayer及RNNLayer为RecurrentLayer的具体实现，后者为RNN的一般形式
LSTMUnitLayer在LSTMLayer内部使用，处理了部分核心计算

3.2 接口说明

由官方文档可知，一个 RecurrentLayer/LSTMLayer 的输入为三个Blob：

一. 时间变化数据x，(T×N×...).

4 LSTMLayer

Caffe中通过展开LSTMLayer网络层，得到另一个网络从而实现LSTM，即一个LSTMLayer即为一个LSTM网络。以实验中测试网络为例，及T=16,N=3，CNN特征维度为4096，LSTM特征维度为256，来介绍展开网络的各网络层及数据流动情况。

4.1 实现流程

如图所示：

方框为网络层，文字为网络层类型。
椭圆为数据Blob。
Blob ci

4.2 公式描述

论文图片

计算公式如下：

i t := s i g m o i d [W h i * h t - 1 + W x i * x t + b i] f t := s i g m o i d [W h f * h t - 1 + W x f * x t + b f] o t := s i g m o i d [W h o * h t - 1 + W x o * x t + b o] g t := t a n h [W h g * h t - 1 + W x g * x t + b g] c t := (f t . * c t - 1) + (i t . * g t) h t := o t . * t a n h [c t]

注意：

联系前两张图与以上公式，可以描述Caffe的LSTM实现过程
以上公式的[Wxi,Wxf,Wxo,Wxg]

5 总结

一个RNN/LSTM网络层可以通过从时间维度上进行展开来进行理解（理解 LSTM 网络）。同样的，Caffe在实现LSTM时也是通过展开LSTM层来实现，等价于一个LSTM 网络层 即为一个LSTM 网络。

6 图像描述实验

实验使用coco caption数据集。给定一张图片，其目标为产生一段语句对该图片进行描述。

6.1 语言模型小实验

这部分实验属于图像描述的基础实验。图像描述在该实验基础上拓展而来，且相对图像描述来说更为简单，因而先介绍该小实验。

语言模型实验为训练一个语言模型，使其能够完成：
（1）给定一个词，如some，该模型能产生下人类语言中能搭配该词的下一个次，如some people, some apple。
（2）在（1）的基础上，该模型能产生一个完整的语句。

链接处为作者给出的该模型的实例与教程。

6.1.1 训练

该模型的训练过程与行为检测的训练过程类似。如图所示，LSTM层的输入为两个Blob:
（1）训练数据Blob，维度为T×N×1000
这里写图片描述

6.1.2 推理

该模型的产生一个完整句子的过程推理如下图所示。

说明：
1. 生成一个完整的句子需要反复多次调用该语言模型，即前一次的结果作为下一次的输入，直至最后的输出为语句终止符EOS
2. 推理时的输入LSTM维度为1×N×1000

6.2 使用静态输入xstatic

不同于行为识别实验以及语言模型小实验，图像描述实验的LSTM层使用了第三个输入参数，静态输入xstaticLSTM层的训练模型如下图所示：

注意：

第一个输入Blob同语言模型，维度为(20,100,1000)

6.3 图像描述实验

图像描述实验是在语言描述实验的基础上，增加图像的CNN特征作为LSTM的静态输入特征。

文献[1]提出三个组合方式，如下图所示：

1）第一种为一层LSTM，为最朴素的方法。
2）第二种为两层LSTM，静态输入在第一个LSTM层。
3）第三种为两层LSTM，静态输入在第二个LSTM层。最后取的是该种方法。

参考文献

[1] Hochreiter, Sepp, and Schmidhuber, Jürgen. “Long short-term memory.” Neural Computation 9, no. 8 (1997): 1735-1780.

[2] Zaremba, Wojciech, and Sutskever, Ilya. “Learning to execute.” arXiv preprint arXiv:1410.4615 (2014).

[3] Donahue, J., et al. “Long-term recurrent convolutional networks for visual recognition and description.” Computer Vision and Pattern Recognition IEEE, 2015.