卷积神经网络
本章的主题是卷积神经网。CNN被用于图像识别、语言识别等各种场合。
整体结构
之前介绍的神经网络中,相邻层的所有神经元之间都有连接。这称为全连接。CNN中新增了Convolution层和Pooling层。CNN层的连接顺序是“Convolution-ReLU-(Pooling)”(Pooling层有时会被省略)。这可以理解为之前的“affine-ReLU”连接被替换成了“Convolution-ReLU-(Pooling)”连接。
卷积层
CNN中出现了一些特有的术语。比如填充,步幅等。此外,各层中传递的数据都是有形状的数据。
全连接层存在的问题
全连接层存在什么问题呢?那就是数据的形状被”忽视“了。比如,输入数据是图像时,图像通常时高,长、通道方向上的3维形状。但是,向全连接层输入时,需要将3维数据拉平维1维数据。
图像是3维形状,这个形状中应该含有重要的空间信息。比如,空间上邻近的像素为相似的值,RGB的各个通道之间分别有密切的关联性、相距较远的像素之间没有什么关联等,3维形状中可能隐藏有值得提取的本质模式。
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维数据的形式接受输入数据,并同样以 3维数据的形式输出至下一层。因此,在CNN中,可以(有可能)正确理解图像等具有形状的数据。
另外,CNN中,有时将卷积层的输入输出数据称为特征图。其中,卷积层的输入数据称为输入特征图,输出数据称为输出特征图。
卷积运算
卷积层进行的处理就是卷积运算。
对于输入数据,卷积运算 以一定间隔滑动滤波器的窗口并应用。将各个位置上滤波器的元素和输入的对应元素相乘,然后再求和(有时将这个计算称为乘积累加运算)。将这个过程在所有位置都进行一遍,就可以得到卷积运算的输出。
CNN中,滤波器的参数就对应之间的权重。
包含偏置的卷积运算的处理流
填充
在卷积层的处理之前,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,是卷积运算中经常会用到的处理。在下图中对大小为(4,4)的输入数据应用了幅度为1的填充。”幅度为1的填充“是指用幅度为1像素的0填充周围。
通过填充,大小为(4,4)的输入数据变成了(6,6)的形状。然后,应用大小为(3,3)的滤波器,生成了大小为(4,4)的输出数据。
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。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。
步幅
应用滤波器的位置间隔称为步幅。
如果将步幅设为2,应用滤波器的窗口间隔变为2个元素。
综上,增大步幅后,输出大小会变小。而增大填充后,输出大小会变大。如何计算输出大小。
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。此时,输出大小
O
H
=
H
+
2
P
−
F
H
S
+
1
OH=\frac{H+2P-FH}{S}+1
OH=SH+2P−FH+1
O
W
=
W
+
2
P
−
F
W
S
+
1
OW=\frac{W+2P-FW}{S}+1
OW=SW+2P−FW+1
上述公式只适用于可以除尽的情况。
3维数据的卷积运算
通道方向上有多个特征图时,会按通道进行输入数据和滤波器的卷积运算,并将结果相加,从而得到输出。
在3维数据的卷积运算中, 输入数据和滤波器的通道数要设为相同的值。滤波器的大小可以设定为任意值(不过,每个通道的滤波器大小要全部相同)。
在这个例子中,数据输出是1张特征图。所谓1张特征图,就是通道数为1的特征图。那么,如果要在通道方向上也拥有多个卷积运算的输出,该怎么做?为此,就需要多个滤波器。
如果追加偏置的加法运算处理,结果如下:
不同形状的方块相加时,可以基于NumPy的广播功能轻松实现。
批处理
神经网络的处理中进行了将输入数据打包的批处理。通过批处理,能够实现处理的高效化和学习时对mini-batch的对应。
我们希望卷积运算也同样对应批处理。为此,需要将在各层间传递的数据保存为4维数据。(batch_num,channel,height,width)的顺序保存数据。
也就是说,批处理将N次的处理汇总成了1次进行。
池化层
池化是缩小高,长方向上的空间的运算。
这个例子是按步幅进行2×2的Max池化时的处理顺序。“Max池化”是获取最大值的运算。“2×2”表示目标区域的大小。从2×2区域中取出最大的元素。此外,这个例子将步幅设为了2,所以2×2的窗口的移动间隔为2个元素,另外,一般来说,池化窗口的大小会和步幅设定成相同的值。
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。
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)
卷积层和池化层的实现
基于im2col的展开
im2col是一个函数,将输入数据展开以适合滤波器(权重)对三维的输入数据应用im2col后,数据转换为2维矩阵。
im2col会把输入数据展开以适合滤波器。对于输入数据,将应用滤波器的区域(3维方块)横向展开为1列。im2col会在所有应用滤波器的地方进行这个展开处理。
使用im2col的实现存在比普通的实现比普通的实现消耗更多内存的缺点,由于滤波器的应用区域几乎都是重叠的。但是,汇总成一个大的矩阵进行计算,对计算机的实现颇有益处,比如,在矩阵计算的库(线性代数库)等中,矩阵计算的实现已被高度最优化。可以高效地进行大矩阵的乘法运算。
使用im2col展开输入数据后,之后就只需将卷积层的滤波器纵向展开为1列,并计算2个矩阵的乘积即可。然后将2维输出数据转换维合适的形状。
def im2col(input_data, filter_h, filter_w, stride=1, pad=0):
"""
Parameters
----------
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
Returns
-------
col : 2维数组
"""
N, C, H, W = input_data.shape
out_h = (H + 2*pad - filter_h)//stride + 1
out_w = (W + 2*pad - filter_w)//stride + 1
img = np.pad(input_data, [(0,0), (0,0), (pad, pad), (pad, pad)], 'constant')
col = np.zeros((N, C, filter_h, filter_w, out_h, out_w))
for y in range(filter_h):
y_max = y + stride*out_h
for x in range(filter_w):
x_max = x + stride*out_w
col[:, :, y, x, :, :] = img[:, :, y:y_max:stride, x:x_max:stride]
col = col.transpose(0, 4, 5, 1, 2, 3).reshape(N*out_h*out_w, -1)
return col
卷积层的实现
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
transpose会更改多维数组的轴的顺序。
池化层的实现
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
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
out = np.max(col, axis=1)
# 转换
out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2)
return out
CNN的实现
网络的构成是“Convolution - ReLU - Pooling - Affine - ReLU - Affine - Softmax”,我们将它命名为SimpleConvNet的类
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:
- filiter_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
- weight_int_std——初始化时权重的标准差
class SimpleConvNet:
"""简单的ConvNet
conv - relu - pool - affine - relu - affine - softmax
Parameters
----------
input_size : 输入大小(MNIST的情况下为784)
hidden_size_list : 隐藏层的神经元数量的列表(e.g. [100, 100, 100])
output_size : 输出大小(MNIST的情况下为10)
activation : 'relu' or 'sigmoid'
weight_init_std : 指定权重的标准差(e.g. 0.01)
指定'relu'或'he'的情况下设定“He的初始值”
指定'sigmoid'或'xavier'的情况下设定“Xavier的初始值”
"""
def __init__(self, input_dim=(1, 28, 28),
conv_param={'filter_num':30, 'filter_size':5, 'pad':0, 'stride':1},
hidden_size=100, output_size=10, weight_init_std=0.01):
filter_num = conv_param['filter_num']
filter_size = conv_param['filter_size']
filter_pad = conv_param['pad']
filter_stride = conv_param['stride']
input_size = input_dim[1]
conv_output_size = (input_size - filter_size + 2*filter_pad) / filter_stride + 1
pool_output_size = int(filter_num * (conv_output_size/2) * (conv_output_size/2))
# 初始化权重
self.params = {}
self.params['W1'] = weight_init_std * \
np.random.randn(filter_num, input_dim[0], filter_size, filter_size)
self.params['b1'] = np.zeros(filter_num)
self.params['W2'] = weight_init_std * \
np.random.randn(pool_output_size, hidden_size)
self.params['b2'] = np.zeros(hidden_size)
self.params['W3'] = weight_init_std * \
np.random.randn(hidden_size, output_size)
self.params['b3'] = np.zeros(output_size)
# 生成层
self.layers = OrderedDict()
self.layers['Conv1'] = Convolution(self.params['W1'], self.params['b1'],
conv_param['stride'], conv_param['pad'])
self.layers['Relu1'] = Relu()
self.layers['Pool1'] = Pooling(pool_h=2, pool_w=2, stride=2)
self.layers['Affine1'] = Affine(self.params['W2'], self.params['b2'])
self.layers['Relu2'] = Relu()
self.layers['Affine2'] = Affine(self.params['W3'], self.params['b3'])
self.last_layer = SoftmaxWithLoss()
def predict(self, x):
for layer in self.layers.values():
x = layer.forward(x)
return x
def loss(self, x, t):
"""求损失函数
参数x是输入数据、t是教师标签
"""
y = self.predict(x)
return self.last_layer.forward(y, t)
def accuracy(self, x, t, batch_size=100):
if t.ndim != 1 : t = np.argmax(t, axis=1)
acc = 0.0
for i in range(int(x.shape[0] / batch_size)):
tx = x[i*batch_size:(i+1)*batch_size]
tt = t[i*batch_size:(i+1)*batch_size]
y = self.predict(tx)
y = np.argmax(y, axis=1)
acc += np.sum(y == tt)
return acc / x.shape[0]
def numerical_gradient(self, x, t):
"""求梯度(数值微分)
Parameters
----------
x : 输入数据
t : 教师标签
Returns
-------
具有各层的梯度的字典变量
grads['W1']、grads['W2']、...是各层的权重
grads['b1']、grads['b2']、...是各层的偏置
"""
loss_w = lambda w: self.loss(x, t)
grads = {}
for idx in (1, 2, 3):
grads['W' + str(idx)] = numerical_gradient(loss_w, self.params['W' + str(idx)])
grads['b' + str(idx)] = numerical_gradient(loss_w, self.params['b' + str(idx)])
return grads
def gradient(self, x, t):
"""求梯度(误差反向传播法)
Parameters
----------
x : 输入数据
t : 教师标签
Returns
-------
具有各层的梯度的字典变量
grads['W1']、grads['W2']、...是各层的权重
grads['b1']、grads['b2']、...是各层的偏置
"""
# forward
self.loss(x, t)
# backward
dout = 1
dout = self.last_layer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 设定
grads = {}
grads['W1'], grads['b1'] = self.layers['Conv1'].dW, self.layers['Conv1'].db
grads['W2'], grads['b2'] = self.layers['Affine1'].dW, self.layers['Affine1'].db
grads['W3'], grads['b3'] = self.layers['Affine2'].dW, self.layers['Affine2'].db
return grads
def save_params(self, file_name="params.pkl"):
params = {}
for key, val in self.params.items():
params[key] = val
with open(file_name, 'wb') as f:
pickle.dump(params, f)
def load_params(self, file_name="params.pkl"):
with open(file_name, 'rb') as f:
params = pickle.load(f)
for key, val in params.items():
self.params[key] = val
for i, key in enumerate(['Conv1', 'Affine1', 'Affine2']):
self.layers[key].W = self.params['W' + str(i+1)]
self.layers[key].b = self.params['b' + str(i+1)]
具有代表性的CNN
LeNet
LeNet有连续的卷积层和池化层,最后经全连接层输出结果。
和“现在的CNN”相比,LeNet有几个不同点。
- LeNet中使用sigmoid函数,而现在的CNN中主要使用ReLU函数。
- 原始的LeNet中使用子采样缩小中间数据的大小,而现在的CNN中Max池化是主流。
AlexNet
AlexNet与LeNet的不同:
- 激活函数使用ReLU
- 使用进行局部正规化的LRN层。
- 使用Dropout
说明
此为本人学习《深度学习入门》的学习笔记,详情请阅读原书.