免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
最近访问板块 发新帖
查看: 2481 | 回复: 0

学习笔记TF029:实现进阶卷积网络 [复制链接]

论坛徽章:
0
发表于 2017-07-24 20:54 |显示全部楼层
经典数据集CIFAR-10,60000张32x32彩色图像,训练集50000张,测试集10000张。标注10类,每类图片6000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有任何重叠。CIFAR-100,100类标注。深度学习之父 Geoffrey Hinton和学生Alex Krizhevsky、Vinod Nair收集。图片源于80 million tiny images数据集。State-of-the-art 3.5%错误率,GPU训练十几小时。详细Benchmark和排名在 http://rodrigob.github.io/are_we ... tasets_results.html 。LeCun,现有卷积神经网络已经解决CIFAR-10数据集问题。

根据Alex cuda-convnet模型修改,3000个batch,每个batch 128个样本,达到73%正确率。GTX1080单显卡几十秒模型训练时间。CPU慢很多。如用100k batch 结合学习速度decay(每隔一段时间下降学习速率一个比率),正确率可到86%。模型训练参数100万个,预测四则运算总量2000万次。对weights进行L2正则化。图片翻转、随机剪切等数据增强,制造更多样本。每个卷积-最大池化层后用LRN层,增强模型泛化能力。

下载TensorFlow Models库,使用其中提供CIFAR-10数据类。git clone https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFAR-10数据类。

定义batch_size,训练轮数max_steps,下载CIFAR-10数据默认路径。

定义初始化weight函数,tf.truncated_normal截断正态分布初始化权重。Weight加L2 loss ,做L2 正则化。减少特征或惩罚不重要特征权重,缓解特征过多导致过拟合。正则化帮助找到该惩罚的特征权重。为使用某个特征,需付出loss代价。L1正则制造稀疏特征,大部分无用特征权重被置0。L2正则让特征权重不过大,特征权重较平均。wl控制L2 loss大小,tf.nn.l2_loss函数计算weight L2 loss,tf.multiply L2 loss 乘以wl,得最后 weight loss。tf.add_to_collection weight loss统一存在collection losses,计算神经网络总体loss使用。

用cifar10类下载数据集,解压、展开到默认位置。

用cifar10_input类 distorted_inputs函数产生训练数据,包括特征、label,返回封装tensor,每次执行生成一个batch_size数量样本。Data Augmentation(数据增强),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24x24图片(tf.random_crop)、设置随机亮度对比度(tf.image.random_brightness、tf.image.random_contrast),数据标准化(tf.image.per_image_whitening,数据减均值,除方差,保证数据零均值,方差1)。获得更多样本,带噪声,一张图片样本变多张图片,扩大样本量,提高准确率。数据增强操作耗费大量CPU时间,distored_inputs用16个独立线程加速任务,函数内部产生线程池,通过TensorFlow queue调度。

用cifar10_input.inputs函数生成测试数据,裁剪图片正中间24x24大小区块,数据标准化。

创建输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义网络结构要用,数据尺寸第一个值样本条数需要预先设定,不能设None。数据尺寸的图片尺寸为24x24,裁剪后大小,颜色通道数3,彩色RGB三通道。

第一个卷积层,variable_with_weight_loss 函数创建卷积核参数初始化。卷积核大小5x5,3个颜色通道,64个卷积核,设置weight初始化函数标准差0.05。wl(weight loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作,步长stride设1,padding模式SAME,bias初始化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3x3,步长2x2最大池化层处理数据,尺寸、步长不一致,增加数据丰富性。tf.nn.lrn函数,LRN,处理结果。

LRN起于Alex用CNN参加ImageNet比赛论文。LRN模仿生物神经系统侧抑制机制,对局部神经元活动创建竞争环境,响应较大值变得相对更大,抑制其他反馈较小神经元,增强模型泛化能力。用LRN后CNN Top1错误率降低1.4%。LRN对无上限边界激活函数ReLU有用,从附近多个卷积核响应(Response)挑选较大反馈,不适合固定边界能抑制过大值激活函数Sigmoid。

第二个卷积层,卷积核尺寸第三维度输入通道数64,bias值全初始化0.1。先进行LRN层处理,再用最大池化层。

全连接层,把前面两个卷积层输出结果全部flatten,tf.reshape函数把每个样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数初始化全连接层weight,隐含节点384,正态分布标准差0.04,bias初始化0.1。设非零weight loss值0.04,所有参数被L2正则约束,避免过拟合。ReLU激活函数非线性化。

第二个全连接层,隐含节点192。

最后一层,先创建weight,正态分布标准差设上一隐含层节点数倒数,不计入L2正则。Softmax操作放在计算loss部分,不需要对inference输出softmax处理,就可以获得最终分类,直接比较inference输出各类数值大小。

整个卷积神经网络从输入到输出流程。设计CNN,安排卷积层、池化层、全连接层分布和顺序,超参数设置、Trick使用。卷积神经网络结构:
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果

计算CNN loss。softmax计算和cross entropy loss 计算合在一起,tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross entropy均值,tf.add_to_collection 添加cross entropy loss  到整体losses collection。tf.add_n整体losses collection 全部loss求和,得最终loss,包括cross entropy loss,和后两个连接层weight L2 loss。Logits节点、label_placeholder传入loss小孩子数,获得最终loss。

优化器选择Adam Optimizer,学习速率1e-3。

tf.nn.in_top_k函数求输出结果top k准确率,默认top 1,输出分类最高类准确率。

tf.InteractiveSession创建默认session ,初始化全部模型参数。

启动图片数据增强线程队列,16个线程加速。

训练。每个step训练过程,session run方法执行images_train、 labels_train计算,获得batch训练数据,传入train_op和loss计算。记录每个step时间,每隔10个step计算展示当前loss、每秒钟训练样本数量、训练batch数据时间,监控整个训练过程。GTX 1080,每秒训练1800个样本,batch_size 128,每个batch 0.066s。损失loss,开始4.6,3000步训练下降到1.0。

评测模型测试集准确率。测试集10000个样本,使用固定batch_size,逐个batch输入测试数据。计算全部样本评测完batch数量。每个step用session run方法获取images_test、labels_test的batch,执行top_k_op计算模型 batch top 1预测正确样本数。汇总所有预测正确结果,求全部测试样本预测正确数量。

打印准确率评测结果计算。

73%准确率。持续增加max_steps,期望准确率逐渐增加。max_steps较大,用学习速率衰减(decay)的SGD训练,接近86%。L2正则,LRN层提升模型准确率,提升框泛化性。

数据增强(Data Augmentation),给单幅图增加多个副本,提高图片利用率,防止图片结构学习过拟合。利用图片本身性质,图片冗余信息量较大,制造不同噪声,依可识别。神经网络克服噪声准确识别,泛化性更好。深度学习只要提供足够多样本,准确率可以持续提升。 规模越大越复杂神经网络模型,可以达到准确率水平越高,需要更多数据训练。Alex cuda-convnet测试结果,CIFAR-10,不数据增强,错误最低下降到17%,数据增强,错误率下降到11%。

    import cifar10,cifar10_input
    import tensorflow as tf
    import numpy as np
    import time
    max_steps = 3000
    batch_size = 128
    data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
    def variable_with_weight_loss(shape, stddev, wl):
        var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))
        if wl is not None:
            weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')
            tf.add_to_collection('losses', weight_loss)
        return var
    def loss(logits, labels):
        labels = tf.cast(labels, tf.int64)
        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
            logits=logits, labels=labels, name='cross_entropy_per_example')
        cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')
        tf.add_to_collection('losses', cross_entropy_mean)
        return tf.add_n(tf.get_collection('losses'), name='total_loss')

    ###
    cifar10.maybe_download_and_extract()
    images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,
                                                            batch_size=batch_size)
    images_test, labels_test = cifar10_input.inputs(eval_data=True,
                                                data_dir=data_dir,
                                                batch_size=batch_size)                                                  
    #images_train, labels_train = cifar10.distorted_inputs()
    #images_test, labels_test = cifar10.inputs(eval_data=True)
    image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
    label_holder = tf.placeholder(tf.int32, [batch_size])
    #logits = inference(image_holder)
    weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
    kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
    bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
    conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
    pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
    kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
    bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
    conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
    norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    reshape = tf.reshape(pool2, [batch_size, -1])
    dim = reshape.get_shape()[1].value
    weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
    bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
    local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)
    weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
    bias4 = tf.Variable(tf.constant(0.1, shape=[192]))                                      
    local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)
    weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
    bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
    logits = tf.add(tf.matmul(local4, weight5), bias5)
    loss = loss(logits, label_holder)
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72
    top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    tf.train.start_queue_runners()
    ###
    for step in range(max_steps):
        start_time = time.time()
        image_batch,label_batch = sess.run([images_train,labels_train])
        _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch,
                                                         label_holder:label_batch})
        duration = time.time() - start_time
        if step % 10 == 0:
            examples_per_sec = batch_size / duration
            sec_per_batch = float(duration)

            format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')
            print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))

    ###
    num_examples = 10000
    import math
    num_iter = int(math.ceil(num_examples / batch_size))
    true_count = 0  
    total_sample_count = num_iter * batch_size
    step = 0
    while step < num_iter:
        image_batch,label_batch = sess.run([images_test,labels_test])
        predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,
                                                 label_holder:label_batch})
        true_count += np.sum(predictions)
        step += 1
    precision = true_count / total_sample_count
    print('precision @ 1 = %.3f' % precision)

参考资料:
《TensorFlow实践》

欢迎付费咨询(150元每小时),我的微信:qingxingfengzi

您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

  

北京盛拓优讯信息技术有限公司. 版权所有 京ICP备16024965号-6 北京市公安局海淀分局网监中心备案编号:11010802020122 niuxiaotong@pcpop.com 17352615567
未成年举报专区
中国互联网协会会员  联系我们:huangweiwei@itpub.net
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP