01 什么是神經(jīng)網(wǎng)絡(luò)？

在介紹卷積神經(jīng)網(wǎng)絡(luò)之前，我們先回顧一下神經(jīng)網(wǎng)絡(luò)的基本知識(shí)。就目前而言，神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法的核心，我們所熟知的很多深度學(xué)習(xí)算法的背后其實(shí)都是神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)由節(jié)點(diǎn)層組成，通常包含一個(gè)輸入層、一個(gè)或多個(gè)隱藏層和一個(gè)輸出層，我們所說的幾層神經(jīng)網(wǎng)絡(luò)通常指的是隱藏層的個(gè)數(shù)，因?yàn)檩斎雽雍洼敵鰧油ǔＪ枪潭ǖ?。?jié)點(diǎn)之間相互連接并具有相關(guān)的權(quán)重和閾值。

如果節(jié)點(diǎn)的輸出高于指定的閾值，則激活該節(jié)點(diǎn)并將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)的下一層。否則，沒有數(shù)據(jù)被傳遞到網(wǎng)絡(luò)的下一層。關(guān)于節(jié)點(diǎn)激活的過程有沒有覺得非常相似？沒錯(cuò)，這其實(shí)就是生物的神經(jīng)元產(chǎn)生神經(jīng)沖動(dòng)的過程的模擬。

神經(jīng)網(wǎng)絡(luò)類型多樣，適用于不同的應(yīng)用場景。例如，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）通常用于自然語言處理和語音識(shí)別，而卷積神經(jīng)網(wǎng)絡(luò)（ConvNets或CNN）則常用于分類和計(jì)算機(jī)視覺任務(wù)。

在CNN產(chǎn)生之前，識(shí)別圖像中的對(duì)象需要手動(dòng)的特征提取方法?，F(xiàn)在，卷積神經(jīng)網(wǎng)絡(luò)為圖像分類和對(duì)象識(shí)別任務(wù)提供了一種更具可擴(kuò)展性的方法，它利用線性代數(shù)的原理，特別是矩陣乘法，來識(shí)別圖像中的模式。

但是，CNN的計(jì)算要求很高，通常需要圖形處理單元 (GPU) 來訓(xùn)練模型，否則訓(xùn)練速度很慢。

02

什么是卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種基于卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)。與普通的神經(jīng)網(wǎng)絡(luò)相比，它具有局部連接、權(quán)值共享等優(yōu)點(diǎn)，使其學(xué)習(xí)的參數(shù)量大幅降低，且網(wǎng)絡(luò)的收斂速度也更快。

同時(shí)，卷積運(yùn)算能更好地提取圖像的特征。卷積神經(jīng)網(wǎng)絡(luò)的基本組件有卷積層、池化層和全連接層。卷積層是卷積網(wǎng)絡(luò)的第一層，其后可以跟著其他卷積層或池化層，最后一層是全連接層。越往后的層識(shí)別圖像越大的部分，較早的層專注于簡單的特征，例如顏色和邊緣。

隨著圖像數(shù)據(jù)在CNN的各層中前進(jìn)，它開始識(shí)別物體的較大元素或形狀，直到最終識(shí)別出預(yù)期的物體。

下面將簡單介紹這幾種基本組件的相關(guān)原理和作用。

卷積層

卷積層是CNN的核心組件，其作用是提取樣本的特征。它由三個(gè)部分組成，即輸入數(shù)據(jù)、過濾器和特征圖。在計(jì)算機(jī)內(nèi)部，圖像以像素矩陣的形式存儲(chǔ)。若輸入數(shù)據(jù)是一個(gè)RGB圖像，則由 3D 像素矩陣組成，這意味著輸入將具有三個(gè)維度——高度、寬度和深度。

過濾器，也叫卷積核、特征檢測器，其本質(zhì)是一個(gè)二維（2-D）權(quán)重矩陣，它將在圖像的感受野中移動(dòng)，檢查特征是否存在。

卷積核的大小不一，但通常是一個(gè) 3x3 的矩陣，這也決定了感受野的大小。不同卷積核提取的圖像特征也不同。

從輸入圖像的像素矩陣的左上角開始，卷積核的權(quán)重矩陣與像素矩陣的對(duì)應(yīng)區(qū)域進(jìn)行點(diǎn)積運(yùn)算，然后移動(dòng)卷積核，重復(fù)該過程，直到卷積核掃過整個(gè)圖像。這個(gè)過程就叫做卷積。卷積運(yùn)算的最終輸出就稱為特征圖、激活圖或卷積特征。

如上圖所示，特征圖中的每個(gè)輸出值不必連接到輸入圖像中的每個(gè)像素值，它只需要連接到應(yīng)用過濾器的感受野。由于輸出數(shù)組不需要直接映射到每個(gè)輸入值，卷積層（以及池化層）通常被稱為“部分連接”層。

這種特性也被描述為局部連接。當(dāng)卷積核在圖像上移動(dòng)時(shí)，其權(quán)重是保持不變的，這被稱為權(quán)值共享。一些參數(shù)，如權(quán)重值，是在訓(xùn)練過程中通過反向傳播和梯度下降的過程進(jìn)行調(diào)整的。在開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前，需要設(shè)置三個(gè)影響輸出體積大小的超參數(shù)：

過濾器的數(shù)量：影響輸出的深度。例如，三個(gè)不同的過濾器將產(chǎn)生三個(gè)不同的特征圖，從而產(chǎn)生三個(gè)深度。

步長(Stride)：卷積核在輸入矩陣上移動(dòng)的距離或像素?cái)?shù)。雖然大于等于 2 的步長很少見，但較大的步長會(huì)產(chǎn)生較小的輸出。

零填充(Zero-padding)：通常在當(dāng)過濾器不適合輸入圖像時(shí)使用。這會(huì)將輸入矩陣之外的所有元素設(shè)置為零，從而產(chǎn)生更大或相同大小的輸出。有三種類型的填充：

Valid padding：這也稱為無填充。在這種情況下，如果維度不對(duì)齊，則丟棄最后一個(gè)卷積。

Same padding：此填充確保輸出層與輸入層具有相同的大小。

Full padding：這種類型的填充通過在輸入的邊界添加零來增加輸出的大小。

在每次卷積操作之后，CNN的特征圖經(jīng)過激活函數(shù)（Sigmoid、ReLU、Leaky ReLU等）的變換，從而對(duì)輸出做非線性的映射，以提升網(wǎng)絡(luò)的表達(dá)能力。

當(dāng)CNN 有多個(gè)卷積層時(shí)，后面的層可以看到前面層的感受野內(nèi)的像素。例如，假設(shè)我們正在嘗試確定圖像是否包含自行車。

我們可以把自行車視為零件的總和，即由車架、車把、車輪、踏板等組成。自行車的每個(gè)單獨(dú)部分在神經(jīng)網(wǎng)絡(luò)中構(gòu)成了一個(gè)較低級(jí)別的模式，各部分的組合則代表了一個(gè)更高級(jí)別的模式，這就在 CNN 中創(chuàng)建了一個(gè)特征層次結(jié)構(gòu)。

池化層

為了減少特征圖的參數(shù)量，提高計(jì)算速度，增大感受野，我們通常在卷積層之后加入池化層(也稱降采樣層)。池化能提高模型的容錯(cuò)能力，因?yàn)樗茉诓粨p失重要信息的前提下進(jìn)行特征降維。

這種降維的過程一方面使得模型更加關(guān)注全局特征而非局部特征，另一方面具有一定的防止過擬合的作用。池化的具體實(shí)現(xiàn)是將感受域中的值經(jīng)過聚合函數(shù)后得到的結(jié)果作為輸出。池化有兩種主要的類型：

最大池化(Max pooling)：當(dāng)過濾器在輸入中移動(dòng)時(shí)，它會(huì)選擇具有最大值的像素發(fā)送到輸出數(shù)組。與平均池化相比，這種方法的使用頻率更高。

平均池化(Average pooling)：當(dāng)過濾器在輸入中移動(dòng)時(shí)，它會(huì)計(jì)算感受域內(nèi)的平均值以發(fā)送到輸出數(shù)組。

全連接層

全連接層通常位于網(wǎng)絡(luò)的末端，其結(jié)構(gòu)正如其名。如前所述，輸入圖像的像素值在部分連接層中并不直接連接到輸出層。但是，在全連接層中，輸出層中的每個(gè)節(jié)點(diǎn)都直接連接到前一層中的節(jié)點(diǎn)，特征圖在這里被展開成一維向量。

該層根據(jù)通過前幾層提取的特征及其不同的過濾器執(zhí)行分類任務(wù)。雖然卷積層和池化層傾向于使用ReLu函數(shù)，但 FC 層通常用Softmax激活函數(shù)對(duì)輸入進(jìn)行適當(dāng)分類，產(chǎn)生[0, 1]之間的概率值。自定義卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫數(shù)字識(shí)別

導(dǎo)包

import time
import numpy as np
import torch
import torch.nn.functional as F
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader


if torch.cuda.is_available():
    torch.backends.cudnn.deterministic = True

設(shè)置參數(shù) & 加載數(shù)據(jù)集

##########################
### SETTINGS
##########################


# Device
device = torch.device("cuda:3" if torch.cuda.is_available() else "cpu")


# Hyperparameters
random_seed = 1
learning_rate = 0.05
num_epochs = 10
batch_size = 128


# Architecture
num_classes = 10


##########################
### MNIST DATASET
##########################


# Note transforms.ToTensor() scales input images
# to 0-1 range
train_dataset = datasets.MNIST(root='data', 
                               train=True, 
                               transform=transforms.ToTensor(),
                               download=True)


test_dataset = datasets.MNIST(root='data', 
                              train=False, 
                              transform=transforms.ToTensor())




train_loader = DataLoader(dataset=train_dataset, 
                          batch_size=batch_size, 
                          shuffle=True)


test_loader = DataLoader(dataset=test_dataset, 
                         batch_size=batch_size, 
                         shuffle=False)


# Checking the dataset
for images, labels in train_loader:  
    print('Image batch dimensions:', images.shape)
    print('Image label dimensions:', labels.shape)
    break

模型定義

##########################
### MODEL
##########################


class ConvNet(torch.nn.Module):


    def __init__(self, num_classes):
        super(ConvNet, self).__init__()
        
        # calculate same padding:
        # (w - k + 2*p)/s + 1 = o
        # => p = (s(o-1) - w + k)/2
        
        # 28x28x1 => 28x28x8
        self.conv_1 = torch.nn.Conv2d(in_channels=1,
                                      out_channels=8,
                                      kernel_size=(3, 3),
                                      stride=(1, 1),
                                      padding=1) # (1(28-1) - 28 + 3) / 2 = 1
        # 28x28x8 => 14x14x8
        self.pool_1 = torch.nn.MaxPool2d(kernel_size=(2, 2),
                                         stride=(2, 2),
                                         padding=0) # (2(14-1) - 28 + 2) = 0
        # 14x14x8 => 14x14x16
        self.conv_2 = torch.nn.Conv2d(in_channels=8,
                                      out_channels=16,
                                      kernel_size=(3, 3),
                                      stride=(1, 1),
                                      padding=1) # (1(14-1) - 14 + 3) / 2 = 1                 
        # 14x14x16 => 7x7x16                             
        self.pool_2 = torch.nn.MaxPool2d(kernel_size=(2, 2),
                                         stride=(2, 2),
                                         padding=0) # (2(7-1) - 14 + 2) = 0


        self.linear_1 = torch.nn.Linear(7*7*16, num_classes)


        for m in self.modules():
            if isinstance(m, torch.nn.Conv2d) or isinstance(m, torch.nn.Linear):
                m.weight.data.normal_(0.0, 0.01)
                m.bias.data.zero_()
                if m.bias is not None:
                    m.bias.detach().zero_()
        
        
    def forward(self, x):
        out = self.conv_1(x)
        out = F.relu(out)
        out = self.pool_1(out)


        out = self.conv_2(out)
        out = F.relu(out)
        out = self.pool_2(out)
        
        logits = self.linear_1(out.view(-1, 7*7*16))
        probas = F.softmax(logits, dim=1)
        return logits, probas


    
torch.manual_seed(random_seed)
model = ConvNet(num_classes=num_classes)


model = model.to(device)


optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

模型訓(xùn)練

def compute_accuracy(model, data_loader):
    correct_pred, num_examples = 0, 0
    for features, targets in data_loader:
        features = features.to(device)
        targets = targets.to(device)
        logits, probas = model(features)
        _, predicted_labels = torch.max(probas, 1)
        num_examples += targets.size(0)
        correct_pred += (predicted_labels == targets).sum()
    return correct_pred.float()/num_examples * 100
    


start_time = time.time()    
for epoch in range(num_epochs):
    model = model.train()
    for batch_idx, (features, targets) in enumerate(train_loader):
        
        features = features.to(device)
        targets = targets.to(device)


        ### FORWARD AND BACK PROP
        logits, probas = model(features)
        cost = F.cross_entropy(logits, targets)
        optimizer.zero_grad()
        
        cost.backward()
        
        ### UPDATE MODEL PARAMETERS
        optimizer.step()
        
        ### LOGGING
        if not batch_idx % 50:
            print ('Epoch: %03d/%03d | Batch %03d/%03d | Cost: %.4f' 
                   %(epoch+1, num_epochs, batch_idx, 
                     len(train_loader), cost))
    
    model = model.eval()
    print('Epoch: %03d/%03d training accuracy: %.2f%%' % (
          epoch+1, num_epochs, 
          compute_accuracy(model, train_loader)))


    print('Time elapsed: %.2f min' % ((time.time() - start_time)/60))
    
print('Total Training Time: %.2f min' % ((time.time() - start_time)/60))

模型評(píng)估

with torch.set_grad_enabled(False): # save memory during inference
    print('Test accuracy: %.2f%%' % (compute_accuracy(model, test_loader)))

輸出如下

Test accuracy: 97.97%

審核編輯：劉清