深度学习基础——week2

最新推荐文章于 2024-09-06 10:19:34 发布

-meteor-

最新推荐文章于 2024-09-06 10:19:34 发布

阅读量711

点赞数 1

分类专栏：深度学习入门文章标签：深度学习 cnn 神经网络

本文链接：https://blog.csdn.net/weixin_51502608/article/details/125340669

版权

深度学习入门专栏收录该内容

4 篇文章 0 订阅

订阅专栏

!!!更好的阅读体验!!!

卷积神经网络（Convolutional Neural Network, CNN）

深度学习三部曲

Step1： 搭建神经网络结构
Step2： 找到一个合适的损失函数(Cost Function)

Eg : 回归损失：均方误差（MSE），平均绝对值误差（MAE）

分类损失：交叉熵损失，hinge loss
Step3: 找到一个合适的优化函数，更新参数

反向传播（BP）,随机梯度下降（SGD）,螺旋数据分类用的 Adam 等等。

全连接与卷积

全连接层的花费是巨大的，一张百万像素的图片输入维度1000000，假如隐藏层维度为1000，那么就需要 $10^9$ 个参数。此外拟合这么多的参数也需要巨量的数据，参数过多也可能会出现导致参数过多的过拟合现象。CNN是机器学习利用自然图像中一些已知结构（平移不变性、局部性等）的创造性方法。

基本概念

图像卷积

Input:输入 Kernel/filter:卷积核 weights:权重 output:输出

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FWzVF1Ja-1655473362032)(http://d2l.ai/_images/correlation.svg)]

显然，输出大小等于输入大小 $n_h \times n_w$ 减去卷积核大小 $k_h \times k_w$ 再加1，即： $(n_h-k_h+1) \times (n_w-k_w+1).$

填充和步幅

填充

在应用多层卷积时，我们常常丢失边缘像素。解决这个问题的简单方法即为填充（padding）：在输入图像的边界填充元素（通常填充元素是0）。显然输出形状为： $(n_h-k_h+p_h+1)\times(n_w-k_w+p_w+1)。$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rje7pgHo-1655473362033)(https://zh.d2l.ai/_images/conv-pad.svg)]

在许多情况下，我们需要设置 $p_h=k_h-1$ 和 $p_w=k_w-1$ ，使输入和输出具有相同的高度和宽度。

卷积神经网络中卷积核的高度和宽度通常为奇数，例如1、3、5或7。选择奇数的好处是，保持空间维度的同时，我们可以在顶部和底部填充相同数量的行，在左侧和右侧填充相同数量的列。

步幅

每次滑动元素的数量称为步幅（stride）。当垂直步幅为 $s_h$ 、水平步幅为 $s_w$ 时，输出形状为 $\lfloor(n_h-k_h+p_h+s_h)/s_h\rfloor \times \lfloor(n_w-k_w+p_w+s_w)/s_w\rfloor.$

填充和步幅可用于有效地调整数据的维度。

多输入多输出通道

多输入通道

如果有一张RGB的彩色图像具有 $3\times h\times w$ 的形状。我们将这个大小为3的轴称为通道（channel）维度。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K8vvtYeN-1655473362033)(https://zh.d2l.ai/_images/conv-multi-in.svg)]

如上图，在输入通道是2，输出通道是1的情况下。我们给每一个通道配一个卷积核，最后将得到的2个结果相加。

多输出通道

在最流行的神经网络架构中，随着神经网络层数的加深，我们常会增加输出通道的维数，通过减少空间分辨率以获得更大的通道深度。直观地说，我们可以将每个通道看作是对不同特征的响应。

用 $c_i$ 和 $c_o$ 分别表示输入和输出通道的数目，并让 $k_h$ 和 $k_w$ 为卷积核的高度和宽度。为了获得多个通道的输出，我们可以为每个输出通道创建一个形状为 $c_i\times k_h\times k_w$ 的卷积核张量，这样卷积核的形状是 $c_o\times c_i\times k_h\times k_w$ 。在运算中，每个输出通道先获取所有输入通道，再以对应该输出通道的卷积核计算出结果。

池化

池化（pooling）层具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。一般有最大池化层（maximum pooling）和平均池化层（average pooling）。池化同样有填充、步幅、多输入输出等概念。

CNN典型结构

AlexNet

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BM2qXOko-1655473362034)(https://zh.d2l.ai/_images/alexnet.svg)]

AlexNet和LeNet的设计理念非常相似，但也存在显著差异。首先，AlexNet比相对较小的LeNet5要深得多。 AlexNet由八层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。其次，AlexNet使用ReLU而不是sigmoid作为其激活函数。

VGG

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-d309IDDo-1655473362034)(https://zh.d2l.ai/_images/vgg.svg)]

VGG-11使用可复用的卷积块构造网络。不同的VGG模型可通过每个块中卷积层数量和输出通道数量的差异来定义。

块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。

在VGG论文中，Simonyan和Ziserman尝试了各种架构。特别是他们发现深层且窄的卷积（即3×3）比较浅层且宽的卷积更有效。

GoogLeNet

在GoogLeNet中，基本的卷积块被称为Inception块。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oMfPrdhc-1655473362034)(https://zh.d2l.ai/_images/inception.svg)]

Inception块由四条并行路径组成。前三条路径使用窗口大小为1×1、3×3和5×5的卷积层，从不同空间大小中提取信息。中间的两条路径在输入上执行1×1卷积，以减少通道数，从而降低模型的复杂性。第四条路径使用3×3最大池化层，然后使用1×1卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

那么为什么GoogLeNet这个网络如此有效呢？首先我们考虑一下 filter 的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。同时，我们可以为不同的滤波器分配不同数量的参数。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JHWSXKKw-1655473362035)(https://zh.d2l.ai/_images/inception-full.svg)]

GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。

ResNet

残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yErqTuvL-1655473362035)(https://zh.d2l.ai/_images/residual-block.svg)]

如上图，假设我们的原始输入为x，而希望学出的理想映射为𝑓(𝐱)。左图虚线框中的部分需要直接拟合出该映射𝑓(𝐱)，而右图虚线框中的部分则需要拟合出残差映射𝑓(𝐱)−𝐱。残差映射在现实中往往更容易优化。实际中，当理想映射𝑓(𝐱)极接近于恒等映射（f(x)=x）时，残差映射也易于捕捉恒等映射的细微波动。右图是ResNet的基础架构–残差块（residual block）。在残差块中，输入可通过跨层数据线路更快地向前传播。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WYO6qJeF-1655473362035)(https://zh.d2l.ai/_images/resnet18.svg)]

最后的全局平均池化替代了全连接层。

通过配置不同的通道数和模块里的残差块数可以得到不同的ResNet模型。50-layer以上的ResNet网络中有着BottleNeck瓶颈结构(先降维再升维，减少参数量)

代码练习

MNIST 数据集分类

使用MNIST：

torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)

root 为数据集下载到本地后的根目录，包括 training.pt 和 test.pt 文件
train，如果设置为True，从training.pt创建数据集，否则从test.pt创建。
download，如果设置为True, 从互联网下载数据并放到root文件夹下
transform, 一种函数或变换，输入PIL图片，返回变换之后的数据。
target_transform 一种函数或变换，输入目标，进行变换。

创建全连接网络和CNN网络(待会我们要比较两个网络的效果)：

class FC2Layer(nn.Module):
    def __init__(self, input_size, n_hidden, output_size):   
      #继承
        super(FC2Layer, self).__init__()
        self.input_size = input_size
        # 这里直接用 Sequential 就定义了网络
        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
        x = x.view(-1, self.input_size)
        return self.network(x)
    


class CNN(nn.Module):
    def __init__(self, input_size, n_feature, output_size):
        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
    def forward(self, x, verbose=False):
        x = self.conv1(x)
        x = F.relu(x) #relu
        x = F.max_pool2d(x, kernel_size=2)#池化
        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

训练函数

def train(model):
    model.train()
    # 主里从train_loader里，64个样本一个batch为单位提取样本进行训练
    for batch_idx, (data, target) in enumerate(train_loader):
        # 把数据送到GPU中
        data, target = data.to(device), target.to(device)

        optimizer.zero_grad()  # 优化器梯度归零
        output = model(data)#得到当前的输出
        loss = F.nll_loss(output, target)#计算loss
        loss.backward()
        optimizer.step()#优化
        if batch_idx % 100 == 0:
            print('Train: [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

测试函数

def test(model):
    model.eval()
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data, target = data.to(device), target.to(device)
        output = model(data)
        # 计算本次batch的损失，并加到 test_loss 中
        test_loss += F.nll_loss(output, target, reduction='sum').item()
        # get the index of the max log-probability，最后一层输出10个数，
        # 值最大的那个即对应着分类结果，然后把分类结果保存在 pred 里
        pred = output.data.max(1, keepdim=True)[1]
        # 将 pred 与 target 相比，得到正确预测结果的数量，并加到 correct 中
        # 这里需要注意一下 view_as ，意思是把 target 变成维度和 pred 一样的意思                                                
        correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()

    test_loss /= len(test_loader.dataset)
    accuracy = 100. * correct / len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        accuracy))

结果

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 能够更好的挖掘图像中的信息。

从打乱像素顺序的实验结果来看，全连接网络的性能基本上没有发生变化，但是卷积神经网络的性能明显下降。这是因为对于卷积神经网络，会利用像素的局部关系，但是打乱顺序以后，这些像素间的关系将无法得到利用。

CIFAR10 数据集分类

定义CNN网络

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


net = Net().to(device)
criterion = nn.CrossEntropyLoss()#损失函数
optimizer = optim.Adam(net.parameters(), lr=0.001)#优化函数

训练网络

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
        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()))

结果

准确率63%

使用 VGG16 对 CIFAR10 分类

建立模型

最开始的代码好像不能直接运行，改两个地方：self.features = self._make_layers(self.cfg)、self.classifier = nn.Linear(512, 10)。改了过后就可以跑了。

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(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)