图片皆来自《深度学习入门:基于Python的理论与实现》课本。
卷积神经网络(CNN)
应用于图像识别、语音识别等。
1、整体结构
全连接(Affine层)VS CNN
全连接:
CNN:
2、卷积层
2.1 全连接层存在的问题
- 当输入数据是图像时,图像通常是高、长、通道方向上的3维形状,全连接层输入时,需要将3维数据拉平为1维数据,如手写数字识别。
- 因为全连接层会忽视形状,将全部的输入数据作为相同的神经元(同一维度的神经元)处理,所以无法利用与形状相关的信息。
- 而卷积层可以保持形状不变。当输入数据是图像时,卷积层会以3维数据的形式接收输入数据,并同样以3维数据的形式输出至下一层。
2.2 卷积运算
卷积层进行的处理就是卷积运算。卷积运算相当于图像处理中的“滤波器运算”。
1×2+2×0+3×1+0×0+1×1+2×2+3×1+0×0+1×2=15
2.3 填充
在进行卷积层的处理之前,有时要向输入数据的周围填入固定的数据(比如0等),这称为填充(padding)。
为什么使用填充?
主要是为了调整输出的大小。比如,对大小为(4, 4)的输入数据应用(3, 3)的滤波器时,输出大小变为(2, 2),相当于输出大小比输入大小缩小了 2个元素。这在反复进行多次卷积运算的深度网络中会成为问题。为什么呢?因为如果每次进行卷积运算都会缩小空间,那么在某个时刻输出大小就有可能变为 1,导致无法再应用卷积运算。为了避免出现这样的情况,就要使用填充。在刚才的例子中,将填充的幅度设为 1,那么相对于输入大小(4, 4),输出大小也保持为原来的(4, 4)。因此,卷积运算就可以在保持空间大小不变的情况下将数据传给下一层。
2.4 步幅
应用滤波器的位置间隔称为步幅(stride)。
- 步幅可以指定应用滤波器的间隔。
- 假设输入大小为(H, W),滤波器大小为(FH, FW),输出大小为(OH, OW),填充为P,步幅为S。
无法除尽时,采用四舍五入。
3、池化层
池化是缩小高、长方向上的空间的运算。
除了Max池化之外,还有Average池化等。相对于Max池化是从目标区域中取出最大值,Average池化则是计算目标区域的平均值。在图像识别领域,主要使用Max池化。
池化层的特征
没有要学习的参数
通道数不发生变化
对微小的位置变化具有鲁棒性(健壮)
4、卷积层和池化层的实现
4.1 im2col(从图像到矩阵)
im2col是一个函数,将输入数据展开以适合滤波器(权重)。对3维的输入数据应用im2col后,数据转换为2维矩阵(正确地讲,是把包含批数量的4维数据转换成了2维数据)。
4.2 卷积层的实现
im2col接口:
im2col (input_data, filter_h, filter_w, stride=1, pad=0)
• input_data―由(数据量,通道,高,长)的4维数组构成的输入数据
• filter_h―滤波器的高
• filter_w―滤波器的长
• stride―步幅
• pad―填充
卷积层代码实现:
class Convolution:
def __init__(self, W, b, stride=1, pad=0):
self.W = W
self.b = b
self.stride = stride
self.pad = pad
def forward(self, x):
FN, C, FH, FW = self.W.shape
N, C, H, W = x.shape
out_h = int(1 + (H + 2*self.pad - FH) / self.stride)
out_w = int(1 + (W + 2*self.pad - FW) / self.stride)
col = im2col(x, FH, FW, self.stride, self.pad)
col_W = self.W.reshape(FN, -1).T # 滤波器的展开
out = np.dot(col, col_W) + self.b
out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)
return out
用im2col展开输入数据,并用reshape将滤波器展开为2维数组。
4.3 池化层的实现
池化的应用区域按通道单独展开。
代码实现:
class Pooling:
def __init__(self, pool_h, pool_w, stride=1, pad=0):
self.pool_h = pool_h
self.pool_w = pool_w
self.stride = stride
self.pad = pad
def forward(self, x):
N, C, H, W = x.shape
out_h = int(1 + (H - self.pool_h) / self.stride)
out_w = int(1 + (W - self.pool_w) / self.stride)
# 展开(1)
col = im2col(x, self.pool_h, self.pool_w, self.stride, self.pad)
col = col.reshape(-1, self.pool_h*self.pool_w)
# 最大值(2)
out = np.max(col, axis=1) #。np.max可以指定axis参数,并在这个参数指定的各个轴方向上求最大值。np.max(x, axis=1):在输入x的第1维的各个轴方向上求最大值。
# 转换(3)
out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2)
return out
5、 CNN的实现
参数:
• input_dim―输入数据的维度:(通道,高,长)
• conv_param―卷积层的超参数(字典)。字典的关键字如下:
filter_num―滤波器的数量
filter_size―滤波器的大小
stride―步幅
pad―填充
• hidden_size―隐藏层(全连接)的神经元数量
• output_size―输出层(全连接)的神经元数量
• weitght_int_std―初始化时权重的标准差
代码实现:
略
6、具有代表性的CNN
6.1 LeNet
LeNet VS CNN
- LeNet中使用sigmoid函数,而现在的CNN中主要使用ReLU函数。
- 原始的LeNet中使用子采样(subsampling)缩小中间数据的大小,而现在的CNN中Max池化是主流。
6.2 AlexNet
•激活函数使用ReLU。
• 使用进行局部正规化的LRN(Local Respons Normalization)层。
• 使用Dropout。