先从简单的方法开始说,先提一提最近邻分类器/Nearest Neighbor Classifier,不过事先申明,它和深度学习中的卷积神经网/Convolutional Neural Networks其实一点关系都没有,我们只是从基础到前沿一点一点推进,最近邻是图像识别一个相对简单和基础的实现方式。
1.1 CIFAR-10
CIFAR-10是一个非常常用的图像分类数据集。数据集包含60000张32*32像素的小图片,每张图片都有一个类别标注(总共有10类),分成了50000张的训练集和10000张的测试集。如下是一些图片示例:
上图中左边是十个类别和对应的一些示例图片,右边是给定一张图片后,根据像素距离计算出来的,最近的10张图片。
1.2 基于最近邻的简单图像类别判定
假如现在用CIFAR-10数据集做训练集,判断一张未知的图片属于CIFAR-10中的哪一类,应该怎么做呢。一个很直观的想法就是,既然我们现在有每个像素点的值,那我们就根据输入图片的这些值,计算和训练集中的图片距离,找最近的图片的类别,作为它的类别,不就行了吗。
恩,想法很直接,这就是『最近邻』的思想。偷偷说一句,这种直接的做法在图像识别中,其实效果并不是特别好。比如上图是按照这个思想找的最近邻,其实只有3个图片的最近邻是正确的类目。
即使这样,作为最基础的方法,还是得掌握,我们来简单实现一下吧。我们需要一个图像距离评定准则,比如最简单的方式就是,比对两个图像像素向量之间的l1距离(也叫曼哈顿距离/cityblock距离),公式如下:
其实就是计算了所有像素点之间的差值,然后做了加法,直观的理解如下图:
我们先把数据集读进内存:
-
#! /usr/bin/env python
-
#coding=utf-8
-
import os
-
import sys
-
import numpy as np
-
def load_CIFAR_batch(filename):
-
"""
-
cifar-10数据集是分batch存储的,这是载入单个batch
-
@参数 filename: cifar文件名
-
@r返回值: X, Y: cifar batch中的 data 和 labels
-
"""
-
with open(filename, 'r') as f:
-
datadict=pickle.load(f)
-
X=datadict['data']
-
Y=datadict['labels']
-
X=X.reshape(10000, 3, 32, 32).transpose(0,2,3,1).astype("float")
-
Y=np.array(Y)
-
return X, Y
-
def load_CIFAR10(ROOT):
-
"""
-
读取载入整个 CIFAR-10 数据集
-
@参数 ROOT: 根目录名
-
@return: X_train, Y_train: 训练集 data 和 labels
-
X_test, Y_test: 测试集 data 和 labels
-
"""
-
xs=[]
-
ys=[]
-
for b in range(1,6):
-
f=os.path.join(ROOT, "data_batch_%d" % (b, ))
-
X, Y=load_CIFAR_batch(f)
-
xs.append(X)
-
ys.append(Y)
-
X_train=np.concatenate(xs)
-
Y_train=np.concatenate(ys)
-
del X, Y
-
X_test, Y_test=load_CIFAR_batch(os.path.join(ROOT, "test_batch"))
-
return X_train, Y_train, X_test, Y_test
-
# 载入训练和测试数据集
-
X_train, Y_train, X_test, Y_test = load_CIFAR10('data/cifar10/')
-
# 把32*32*3的多维数组展平
-
Xtr_rows = X_train.reshape(X_train.shape[0], 32 * 32 * 3) # Xtr_rows : 50000 x 3072
-
Xte_rows = X_test.reshape(X_test.shape[0], 32 * 32 * 3) # Xte_rows : 10000 x 3072
下面我们实现最近邻的思路:
-
class NearestNeighbor:
-
def __init__(self):
-
pass
-
def train(self, X, y):
-
"""
-
这个地方的训练其实就是把所有的已有图片读取进来 -_-||
-
"""
-
# the nearest neighbor classifier simply remembers all the training data
-
self.Xtr = X
-
self.ytr = y
-
def predict(self, X):
-
"""
-
所谓的预测过程其实就是扫描所有训练集中的图片,计算距离,取最小的距离对应图片的类目
-
"""
-
num_test = X.shape[0]
-
# 要保证维度一致哦
-
Ypred = np.zeros(num_test, dtype = self.ytr.dtype)
-
# 把训练集扫一遍 -_-||
-
for i in xrange(num_test):
-
# 计算l1距离,并找到最近的图片
-
distances = np.sum(np.abs(self.Xtr - X[i,:]), axis = 1)
-
min_index = np.argmin(distances) # 取最近图片的下标
-
Ypred[i] = self.ytr[min_index] # 记录下label
-
return Ypred
-
nn = NearestNeighbor() # 初始化一个最近邻对象
-
nn.train(Xtr_rows, Y_train) # 训练...其实就是读取训练集
-
Yte_predict = nn.predict(Xte_rows) # 预测
-
# 比对标准答案,计算准确率
-
print 'accuracy: %f' % ( np.mean(Yte_predict == Y_test) )
最近邻的思想在CIFAR上得到的准确度为38.6%,我们知道10各类别,我们随机猜测的话准确率差不多是1/10=10%,所以说还是有识别效果的,但是显然这距离人的识别准确率(94%)实在是低太多了,不那么实用。
1.3 关于最近邻的距离准则
我们这里用的距离准则是l1距离,实际上除掉l1距离,我们还有很多其他的距离准则。
- 比如说l2距离(也就是大家熟知的欧氏距离)的计算准则如下:
- 比如余弦距离计算准则如下:
更多的距离准则可以参见scipy相关计算页面.
2. K最近邻分类器(K Nearest Neighbor Classifier)
这是对最近邻的思想的一个调整。其实我们在使用最近邻分类器分类,扫描CIFAR训练集的时候,会发现,有时候不一定距离最近的和当前图片是同类,但是最近的一些里有很多和当前图片是同类。所以我们自然而然想到,把最近邻扩展为最近的N个临近点,然后统计一下这些点的类目分布,取最多的那个类目作为自己的类别。
恩,这就是KNN的思想。
KNN其实是一种特别常用的分类算法。但是有个问题,我们的K值应该取多少呢。换句话说,我们找多少邻居来投票,比较靠谱呢?
3.1 交叉验证与参数选择
在现在的场景下,假如我们确定使用KNN来完成图片类别识别问题。我们发现有一些参数是肯定会影响最后的识别结果的,比如:
- 距离的选择(l1,l2,cos等等)
- 近邻个数K的取值。
每组参数下其实都能产生一个新的model,所以这可以视为一个模型选择/model selection问题。而对于模型选择问题,最常用的办法就是在交叉验证集上实验。
数据总量就那么多,如果我们在test data上做模型参数选择,又用它做效果评估,显然不是那么合理(因为我们的模型参数很有可能是在test data上过拟合的,不能很公正地评估结果)。所以我们通常会把训练数据分为两个部分,一大部分作为训练用,另外一部分就是所谓的cross validation数据集,用来进行模型参数选择的。比如说我们有50000训练图片,我们可以把它分为49000的训练集和1000的交叉验证集。
-
# 假定已经有Xtr_rows, Ytr, Xte_rows, Yte了,其中Xtr_rows为50000*3072 矩阵
-
Xval_rows = Xtr_rows[:1000, :] # 构建1000的交叉验证集
-
Yval = Ytr[:1000]
-
Xtr_rows = Xtr_rows[1000:, :] # 保留49000的训练集
-
Ytr = Ytr[1000:]
-
# 设置一些k值,用于试验
-
validation_accuracies = []
-
for k in [1, 3, 5, 7, 10, 20, 50, 100]:
-
# 初始化对象
-
nn = NearestNeighbor()
-
nn.train(Xtr_rows, Ytr)
-
# 修改一下predict函数,接受 k 作为参数
-
Yval_predict = nn.predict(Xval_rows, k = k)
-
acc = np.mean(Yval_predict == Yval)
-
print 'accuracy: %f' % (acc,)
-
# 输出结果
-
validation_accuracies.append((k, acc))
这里提一个在很多地方会看到的概念,叫做k-fold cross-validation,意思其实就是把原始数据分成k份,轮流使用其中k-1份作为训练数据,而剩余的1份作为交叉验证数据(因此其实对于k-fold cross-validation我们会得到k个accuracy)。以下是5-fold cross-validation的一个示例:
以下是我们使用5-fold cross-validation,取不同的k值时,得到的accuracy曲线(补充一下,因为是5-fold cross-validation,所以在每个k值上有5个取值,我们取其均值作为此时的准确度)
可以看出大概在k=7左右有最佳的准确度。
3.2 最近邻方法的优缺点
K最近邻的优点大家都看出来了,思路非常简单清晰,而且完全不需要训练…不过也正因为如此,最后的predict过程非常耗时,因为要和全部训练集中的图片比对一遍。
实际应用中,我们其实更加关心实施predict所消耗的时间,如果有一个图像识别app返回结果要半小时一小时,你一定第一时间把它卸了。我们反倒不那么在乎训练时长,训练时间稍微长一点没关系,只要最后应用的时候识别速度快效果好,就很赞。后面会提到的深度神经网络就是这样,深度神经网络解决图像问题时训练是一个相对耗时间的过程,但是识别的过程非常快。
另外,不得不多说一句的是,优化计算K最近邻时间问题,实际上依旧到现在都是一个非常热门的问题。Approximate Nearest Neighbor (ANN)算法是牺牲掉一小部分的准确度,而提高很大程度的速度,能比较快地找到近似的K最近邻,现在已经有很多这样的库,比如说FLANN.
最后,我们用一张图来说明一下,用图片像素级别的距离来实现图像类别识别,有其不足之处,我们用一个叫做t-SNE的技术把CIFAR-10的所有图片按两个维度平铺出来,靠得越近的图片表示其像素级别的距离越接近。然而我们瞄一眼,发现,其实靠得最近的并不一定是同类别的。
其实观察一下,你就会发现,像素级别接近的图片,在整张图的颜色分布上,有很大的共性,然而在图像内容上,有时候也只能无奈地呵呵嗒,毕竟颜色分布相同的不同物体也是非常多的。