1. 代码练习
MNIST 数据集分类:构建简单的CNN对 mnist 数据集进行分类。同时,还会在实验中学习池化与卷积操作的基本作用。
CIFAR10 数据集分类:使用 CNN 对 CIFAR10 数据集进行分类;使用 VGG16 对 CIFAR10 分类。
1.1 MNIST 数据集分类:
分别创建一个简单的全连接网络和卷积神经网络,并训练:
class FC2Layer(nn.Module):
def __init__(self, input_size, n_hidden, output_size):
# nn.Module子类的函数必须在构造函数中执行父类的构造函数
# 下式等价于nn.Module.__init__(self)
super(FC2Layer, self).__init__()
self.input_size = input_size
# 这里直接用 Sequential 就定义了网络,注意要和下面 CNN 的代码区分开
self.network = nn.Sequential(
nn.Linear(input_size, n_hidden),
nn.ReLU(),
nn.Linear(n_hidden, n_hidden),
nn.ReLU(),
nn.Linear(n_hidden, output_size),
nn.LogSoftmax(dim=1)
)
def forward(self, x):
# view一般出现在model类的forward函数中,用于改变输入或输出的形状
# x.view(-1, self.input_size) 的意思是多维的数据展成二维
# 代码指定二维数据的列数为 input_size=784,行数 -1 表示我们不想算,电脑会自己计算对应的数字
# 在 DataLoader 部分,我们可以看到 batch_size 是64,所以得到 x 的行数是64
# 大家可以加一行代码:print(x.cpu().numpy().shape)
# 训练过程中,就会看到 (64, 784) 的输出,和我们的预期是一致的
# forward 函数的作用是,指定网络的运行过程,这个全连接网络可能看不啥意义,
# 下面的CNN网络可以看出 forward 的作用。
x = x.view(-1, self.input_size)
return self.network(x)
class CNN(nn.Module):
def __init__(self, input_size, n_feature, output_size):
# 执行父类的构造函数,所有的网络都要这么写
super(CNN, self).__init__()
# 下面是网络里典型结构的一些定义,一般就是卷积和全连接
# 池化、ReLU一类的不用在这里定义
self.n_feature = n_feature
self.conv1 = nn.Conv2d(in_channels=1, out_channels=n_feature, kernel_size=5)
self.conv2 = nn.Conv2d(n_feature, n_feature, kernel_size=5)
self.fc1 = nn.Linear(n_feature*4*4, 50)
self.fc2 = nn.Linear(50, 10)
# 下面的 forward 函数,定义了网络的结构,按照一定顺序,把上面构建的一些结构组织起来
# 意思就是,conv1, conv2 等等的,可以多次重用
def forward(self, x, verbose=False):
x = self.conv1(x)
x = F.relu(x)
x = F.max_pool2d(x, kernel_size=2)
x = self.conv2(x)
x = F.relu(x)
x = F.max_pool2d(x, kernel_size=2)
x = x.view(-1, self.n_feature*4*4)
x = self.fc1(x)
x = F.relu(x)
x = self.fc2(x)
x = F.log_softmax(x, dim=1)
return x
打乱像素顺序再次在两个网络上训练与测试:
# 这里解释一下 torch.randperm 函数,给定参数n,返回一个从0到n-1的随机整数排列
perm = torch.randperm(784)
plt.figure(figsize=(8, 4))
for i in range(10):
image, _ = train_loader.dataset.__getitem__(i)
# permute pixels
image_perm = image.view(-1, 28*28).clone()
image_perm = image_perm[:, perm]
image_perm = image_perm.view(-1, 1, 28, 28)
plt.subplot(4, 5, i + 1)
plt.imshow(image.squeeze().numpy(), 'gray')
plt.axis('off')
plt.subplot(4, 5, i + 11)
plt.imshow(image_perm.squeeze().numpy(), 'gray')
plt.axis('off')
# 对每个 batch 里的数据,打乱像素顺序的函数
def perm_pixel(data, perm):
# 转化为二维矩阵
data_new = data.view(-1, 28*28)
# 打乱像素顺序
data_new = data_new[:, perm]
# 恢复为原来4维的 tensor
data_new = data_new.view(-1, 1, 28, 28)
return data_new
总结:分别在小型全连接网络和卷积神经网络上进行训练,可以发现:含有相同参数的 CNN 效果要明显优于简单的全连接网络,是因为 CNN 主要通过卷积和池化两个操作,更好的挖掘图像中的信息。打乱像素顺序后再在这两个网络上测试,卷积神经网络的性能显著下降。这是因为CNN中的卷积操作,通过filter选取相邻像素的5*5大小的receptive field,如果打乱像素顺序,receptive field的特征性下降,进而CNN的泛化能力将会下降。
1.2 CIFAR10 数据集分类:
使用CNN进行CIFAR10 数据集分类
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# 网络放到GPU上
net = Net().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)
for epoch in range(10): # 重复多轮训练
for i, (inputs, labels) in enumerate(trainloader):
inputs = inputs.to(device)
labels = labels.to(device)
# 优化器梯度归零 防止与上个数据相关
optimizer.zero_grad()
# 正向传播 + 反向传播 + 优化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 输出统计信息
if i % 100 == 0:
print('Epoch: %d Minibatch: %5d loss: %.3f' %(epoch + 1, i + 1, loss.item()))
print('Finished Training')
Accuracy of the network on the 10000 test images: 64 %,可以看到准确率不高。
使用VGG16 对 CIFAR10 分类
class VGG(nn.Module):
def __init__(self):
super(VGG, self).__init__()
self.cfg = [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
#self.features = self._make_layers(self.cfg)
#self.classifier = nn.Linear(2048, 10)
self.features = self._make_layers(self.cfg)
self.classifier = nn.Linear(512, 10)
def forward(self, x):
out = self.features(x)
out = out.view(out.size(0), -1)
out = self.classifier(out)
return out
def _make_layers(self, cfg):
layers = []
in_channels = 3
for x in cfg:
if x == 'M':
layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
else:
layers += [nn.Conv2d(in_channels, x, kernel_size=3, padding=1),
nn.BatchNorm2d(x),
nn.ReLU(inplace=True)]
in_channels = x
layers += [nn.AvgPool2d(kernel_size=1, stride=1)]
return nn.Sequential(*layers)
# 网络放到GPU上
net = VGG().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)
Accuracy of the network on the 10000 test images: 83.88 %,可以看到使用一个简化版的 VGG 网络,就可以显著提高性能。
使用VGG19 对 CIFAR10 分类
# 定义网络模型
class VGG19Net(nn.Module):
def __init__(self):
super(VGG19Net, self).__init__()
net = []
# 输入32*32,输出16*16
net.append(make_vgg_block(3, 64, 2))
# 输出8*8
net.append(make_vgg_block(64, 128, 2))
# 输出4*4
net.append(make_vgg_block(128, 256, 4))
# 输出2*2
net.append(make_vgg_block(256, 512, 4))
# 无池化层,输出保持2*2
net.append(make_vgg_block(512, 512, 4, False))
self.cnn = nn.Sequential(*net)
self.fc = nn.Sequential(
# 512个feature,每个feature 2*2
nn.Linear(512*2*2, 256),
nn.ReLU(),
nn.Linear(256, 256),
nn.ReLU(),
nn.Linear(256, 10)
)
def forward(self, x):
x = self.cnn(x)
# x.size()[0]: batch size
x = x.view(x.size()[0], -1)
x = self.fc(x)
return x
Accuracy of the network on the 10000 test images: 77.52 % 相较于VGG16有所下降。VGG19更深,但却没有更好的性能。???
VGG16层结构(13个卷积层和3个全连接层)
VGG19层结构(16个卷积层和3个全连接层)
使用ResNet 对 CIFAR10 分类
# ResNet
class ResNet(nn.Module):
def __init__(self, block, layers, num_classes=10):
super(ResNet, self).__init__()
self.in_channels = 16
self.conv = conv3x3(3, 16)
self.bn = nn.BatchNorm2d(16)
self.relu = nn.ReLU(inplace=True)
self.layer1 = self.make_layer(block, 16, layers[0])
self.layer2 = self.make_layer(block, 32, layers[1], 2)
self.layer3 = self.make_layer(block, 64, layers[2], 2)
self.avg_pool = nn.AvgPool2d(8)
self.fc = nn.Linear(64, num_classes)
def make_layer(self, block, out_channels, blocks, stride=1):
downsample = None
if (stride != 1) or (self.in_channels != out_channels):
downsample = nn.Sequential(
conv3x3(self.in_channels, out_channels, stride=stride),
nn.BatchNorm2d(out_channels))
layers = []
layers.append(block(self.in_channels, out_channels, stride, downsample))
self.in_channels = out_channels
for i in range(1, blocks):
layers.append(block(out_channels, out_channels))
return nn.Sequential(*layers)
def forward(self, x):
out = self.conv(x)
out = self.bn(out)
out = self.relu(out)
out = self.layer1(out)
out = self.layer2(out)
out = self.layer3(out)
out = self.avg_pool(out)
out = out.view(out.size(0), -1)
out = self.fc(out)
return out
Accuracy of the network on the 10000 test images: 80.28 %,性能还可以。
总结:测试了CNN,VGG16,VGG19,ResNet对CIFAR10 分类性能,可以发现不同网络模型的性能不同,越复杂不一定越准确。要提升准确率,不仅要选择恰当的模型,还要调整各个参数,设置不同的策略,来达到较好的效果。
2. 问题总结
1.dataloader 里面 shuffle 取不同值有什么区别?
Shuffle为true表示随机读取样本,false为按顺序读取样本。一般来说训练集的shuffle为true,测试集的shuffle为false,这样是为了提高模型的泛化能力,防止模型陷入局部最优。Shuffle可以防止过拟合,并且使得模型学到更加正确的特征。
2. transform 里,取了不同值,这个有什么区别?
torchvision.transforms: 里面包括常用的图像预处理方法,用于图片的转换等一系列预处理操作,例如数据归一化,缩放,裁剪,旋转,翻转,填充,添加噪声,灰度变换,线性变换,仿射变换,亮度,饱和度,对比变换等。当进行数据预处理时,可以将通过transform平移、翻转、对称图片,改变RGB通道强度,扩大样本量,达到数据增强的作用。
3.epoch 和 batch 的区别?
当一个完整的数据集经过神经网络一次,并返回一次,这个过程称为一个epoch。epoch定义了学习算法在整个训练数据集中的工作次数。epoch由一个或多个batch组成。epoch 数量一般很大,通常是数百或数千,允许学习算法运行到模型的误差被充分地最小化。
当数据集很大时,对于每个 epoch,很难将所有的数据集一次读入到内存中,这就需要将数据集分为几次读入,每次称为一个 batch。
4.1x1的卷积和 FC 有什么区别?主要起什么作用?
1x1的卷积主要是为了进行降维,增加特征多样性,表征能力更强,加入非线性,提升网络的表达能力。在 googLeNet、ResNet、DenseNet 中得到了非常广泛的应用。而全连接层每一个结点都与上一层的所有结点相连,进行一个全连接。实际就是进行卷积运算,卷积后的结果为全连接层的一个节点。从计算上来说,1x1的卷积和 FC 都是一个卷积计算的过程(y=WX+b),在理论上是可以相互替代的。
5.residual leanring 为什么能够提升准确率?
残差block:去掉相同的主体部分,从而突出微小的变化
解决了随着网络深度的增加带来的梯度消散问题,减轻了神经网络的退化。
6.代码练习二里,网络和1989年 Lecun 提出的 LeNet 有什么区别?
练习二使用最大值池化 ,LeNet中使用平均值池化。
分类识别常使用最大值池化,当需要综合特征图上的所有信息做相应决策时,通常会用平均值池化。
7.代码练习二里,卷积以后feature map 尺寸会变小,如何应用 Residual Learning??????
当维度不一致时(对应的是维度增加一倍),这就不能直接相加。有两种策略:(1)采用zero-padding增加维度,此时一般要先做一个downsamp,可以采用strde=2的pooling,这样不会增加参数;(2)采用新的映射(projection shortcut),一般采用1x1的卷积,这样会增加参数,也会增加计算量。
8.有什么方法可以进一步提升准确率?
DropOut随机失活:训练时随机关闭部分神经元,测试时整合全部神经元。
数据增强:图片平移、翻转、对称,改变RGB通道强度。
多卷积核:增加特征多样性,插入1*1卷积核进行降维,用小的卷积核代替大的卷积核。
3.视频随记
全连接网络处理图像的问题
参数太多:权重矩阵参数太多导致过拟合
卷积神经网络的解决方式
局部关联,参数共享?
kernel/filter:卷积核/滤波器
weights:权重
receptive field:感受野
activation map/feature map:特征图
y=WX+b W:卷积核 b:stride
padding扩充
不加padding时输出的特征图大小:(N-F)stride+1
加padding时输出的特征图大小:(N+2padding-F)stride+1
depth/channel:深度,与filter个数相同
池化Pooling:缩放featuremap,保留主要特征,减少参数和计算量,防止过拟合提高泛化能力。一般位于卷积层和卷积层之间。
最大值池化(分类识别)和平均值池化
全连接层:两层之间的所有神经元都有权重链接,位于尾部。
AlexNet
DropOut随机失活:随机关闭部分神经元,测试时整合全部神经元
数据增强:平移 翻转 对称,改变RGB通道强度
卷积-ReLU-池化
ZFNet
网络结构和AlexNet结构相同,感受野相同,滤波器变多。
VGG
是一个更深网络 参数量更多
GoogleNet
很深,但参数量不大,没有FC层
多卷积核增加特征多样性,利用padding保持多卷积核串联输出大小一致,太复杂
插入1*1卷积核进行降维,用小的卷积核代替大的卷积核,降低参数量,增加非线性激活函数,表征能力更强
Stem部分(卷-池)- 多个Inception结构堆叠 - 输出(没有额外的全连接层,除了最后的类别分类)
利用辅助分类器解决模型深度过深导致的梯度消失问题
ResNet残差学习网络
深度152层 残差block:去掉相同的主体部分,从而突出微小的变化
可以用来训练非常深的网络