編者按：在人工智能的各個(gè)領(lǐng)域，深度學(xué)習(xí)框架正變得越來越高效，其中圖像分類更是得益于此。在這篇文章中，作者devforfu嘗試用Keras庫將現(xiàn)成的ImageNet和預(yù)訓(xùn)練深度模型應(yīng)用到圖像分類框架上。他搭建了一款模型，可以辨別圖片中狗狗的種類。

數(shù)據(jù)集

在這個(gè)項(xiàng)目中，數(shù)據(jù)集使用的Kaggle中辨別狗狗種類的競賽，其中包含了將近10000張經(jīng)過標(biāo)記的圖像，大約涵蓋了120種狗狗，除此之外還有數(shù)量相當(dāng)?shù)臏y試數(shù)據(jù)。一般來說，這些圖像的分辨率、縮放程度都是不同的，其中也可能不止有一只狗，光線也會(huì)有差別。下面是數(shù)據(jù)集中的幾張圖像。

數(shù)據(jù)集中各種種類的狗狗數(shù)量大致相同，平均每種狗狗有59張圖像。以下是數(shù)據(jù)集中各種類狗狗的數(shù)量分布：

正如我們簡單分析過的，經(jīng)過分析的數(shù)據(jù)集對(duì)深度學(xué)習(xí)框架來說并不復(fù)雜，并且有很多簡單結(jié)構(gòu)。所以我們可以從數(shù)據(jù)集中得到各種類精確的結(jié)果。

Bottleneck特征

運(yùn)用預(yù)訓(xùn)練深度學(xué)習(xí)模型最直接的策略之一是將它們看作特征提取器。在現(xiàn)代神經(jīng)網(wǎng)絡(luò)架構(gòu)發(fā)展之前，圖像特征是手動(dòng)過濾的，例如Canny edge detectors中的Sobel operator。運(yùn)算符（operator）是一個(gè)3×3的矩陣，向其中輸入原始圖像后，它會(huì)將其轉(zhuǎn)化成一個(gè)正方形的圖塊，每個(gè)小方塊都會(huì)轉(zhuǎn)換成單一值。

Sober運(yùn)算符在單一圖像通道上的大致表示

如今的技術(shù)可以從數(shù)據(jù)中直接自動(dòng)提取特征。為此，我們用的是卷積層。每個(gè)卷積層都是具有隨機(jī)初始值的正方形矩陣堆棧。這些值在訓(xùn)練過程中被更新，最終會(huì)收斂到適合數(shù)據(jù)集的特殊過濾器上。

下圖展示了深度學(xué)習(xí)分類器作為特征模塊序列的大致表示，將圖像從原始的像素表示轉(zhuǎn)換成更加抽象的表示：

如上圖，一個(gè)沒有頂層圖層的深度學(xué)習(xí)網(wǎng)絡(luò)為每張通過網(wǎng)絡(luò)的圖像生成了一套高水平的特征。這些特征被稱為bottleneck特征。深度模型自動(dòng)推理出這些抽象的圖像特征，我們可以用它們以及任意“經(jīng)典”的機(jī)器學(xué)習(xí)算法來預(yù)測目標(biāo)。

注意：本文所提到的所有模型和特征提取器都是在單一1080Ti GPU上執(zhí)行的。如果用CPU的話，在有數(shù)千張圖片的數(shù)據(jù)集上提取特征可能要耗費(fèi)好幾個(gè)小時(shí)。

因此，想從圖片集中提取特征，研究者需要下載一個(gè)有預(yù)訓(xùn)練權(quán)重的深度網(wǎng)絡(luò)，但是沒有頂層，之后為這些圖像”做預(yù)測“。示例如下：

classFeaturesExtractor:

"""Runs pretrained model without top layers on dataset and saves generated

bottleneck features onto disk.

"""

def __init__(self, build_fn, preprocess_fn, source,

target_size=(299, 299, 3), batch_size=128):

self.build_fn = build_fn

self.preprocess_fn = preprocess_fn

self.source = source

self.target_size = target_size

self.batch_size = batch_size

def __call__(self, folder, filename, pool='avg'):

model = self.build_fn(weights='imagenet', include_top=False, pooling=pool)

stream = self.source(

folder=folder, target_size=self.target_size,

batch_size=self.batch_size, infinite=False)

batches = []

with tqdm.tqdm_notebook(total=stream.steps_per_epoch) as bar:

for x_batch, y_batch in stream:

x_preprocessed = self.preprocess_fn(x_batch)

batch = model.predict_on_batch(x_preprocessed)

batches.append(batch)

bar.update(1)

all_features = np.vstack(batches)

np.save(filename, all_features)

return filename

代碼的第15行創(chuàng)造了一個(gè)沒有頂層的Keras模型，但是具有預(yù)先安裝的ImageNet權(quán)重。之后，22—25行對(duì)所有圖片進(jìn)行了迭代，并將它們轉(zhuǎn)化成特征數(shù)組。之后在第29行，數(shù)組被永久存儲(chǔ)。注意，我們并不一次性下載所有可用圖片，而是創(chuàng)造一個(gè)生成器，替代從硬盤中讀取文檔。這樣操作可以允許在沒有足夠RAM的情況下處理大型數(shù)據(jù)集，因?yàn)閳D片從JPEG轉(zhuǎn)換成PNG格式會(huì)消耗很大內(nèi)存。

之后，我們可以用FeatureExtractor：

from keras.applications import inception_v3

extractor = FeatureExtractor(

build_fn=inception_v3.InceptionV3,

preprocess_fn=inception_v3.preprocess_fn,

source=create_files_iterator_factory())

extractor(folder_name, output_file)

Bootstrapped SGD

隨機(jī)梯度下降（SGD）是一種簡單高效的在凸形損失函數(shù)對(duì)線性分類器進(jìn)行判別學(xué)習(xí)的方法。簡單地講，將圖片特征的數(shù)組和他們的標(biāo)簽輸入算法中，訓(xùn)練一個(gè)多種類的分類器，從而判斷狗狗的種類。

雖然現(xiàn)在已有了一個(gè)特殊的SGD分類器，但是還不夠穩(wěn)定。對(duì)算法運(yùn)行多次之后可能會(huì)得到不同精度的結(jié)果，因?yàn)樗惴ㄔ趯W(xué)習(xí)開始時(shí)對(duì)參數(shù)進(jìn)行了隨機(jī)初始化。

為了讓訓(xùn)練過程更加穩(wěn)定并且可重復(fù)，為了達(dá)到最佳精度，我們將用bagging擴(kuò)展SGD，這種方法可以訓(xùn)練SGD分類器的集合，并且能從多個(gè)估算器中對(duì)反饋取平均值，得出最終的預(yù)測。下圖是這一過程的展示：

在SGD分類器上應(yīng)用bagging技術(shù)

注意，我們不僅僅是將原始數(shù)據(jù)集拆分成子集，而是將不同特征的自己放入不同分類器訓(xùn)練。另外，我們還應(yīng)用了一個(gè)“變量閾值轉(zhuǎn)換器（variance threshold transformer）”，將值接近于0的bottleneck特征過濾掉，因?yàn)樯疃葘W(xué)習(xí)網(wǎng)絡(luò)提取的特征向量似乎非常稀疏。

下面的代碼展示了如何創(chuàng)建一個(gè)SGD分類器，以及如何計(jì)算能反映模型質(zhì)量的預(yù)測標(biāo)準(zhǔn)：

def sgd(x_train, y_train, x_valid, y_valid, variance_threshold=0.1):

threshold = VarianceThreshold(variance_threshold)

sgd_classifier = SGDClassifier(

alpha=1./len(x_train),

class_weight='balanced',

loss='log', penalty='elasticnet',

fit_intercept=False, tol=0.001, n_jobs=-1)

bagging = BaggingClassifier(

base_estimator=sgd_classifier,

bootstrap_features=True,

n_jobs=-1, max_samples=0.5, max_features=0.5)

x_thresh = threshold.fit_transform(x_train)

bagging.fit(x_thresh, y_train)

train_metrics = build_metrics(bagging, x_thresh, y_train)

x_thresh = threshold.transform(x_valid)

valid_metrics = build_metrics(bagging, x_thresh, y_valid)

return bagging, train_metrics, valid_metrics

def build_metrics(model, X, y):

probs = model.predict_proba(X)

preds = np.argmax(probs, axis=1)

metrics = dict(

probs=probs,

preds=preds,

loss=log_loss(y, probs),

accuracy=np.mean(preds == y))

return namedtuple('Predictions', metrics.keys())(**metrics)

第四行是創(chuàng)建一個(gè)SGD分類器的示例，其中有一對(duì)正則化參數(shù)和運(yùn)用CPU訓(xùn)練模型的權(quán)限。第十行創(chuàng)建了一組分類器，15—20行訓(xùn)練了分類器，并計(jì)算了幾個(gè)表現(xiàn)標(biāo)準(zhǔn)。

SGD基準(zhǔn)

現(xiàn)在有很多可用的預(yù)訓(xùn)練深度學(xué)習(xí)結(jié)構(gòu)，它們在我們的數(shù)據(jù)集上用作特征提取器時(shí)是否表現(xiàn)得同樣好？下面讓我們來看看。

我們選取了以下三種結(jié)構(gòu)來訓(xùn)練SGD分類器：

InceptionV3

InceptionResNetV2

Xception

Keras中都包含這三種架構(gòu)，每個(gè)分類器在9200個(gè)樣本上進(jìn)行訓(xùn)練并在1022個(gè)圖像上進(jìn)行驗(yàn)證。下表展示了訓(xùn)練和驗(yàn)證自己的預(yù)測結(jié)果。

這個(gè)分?jǐn)?shù)還不錯(cuò)！對(duì)于如此簡單的實(shí)現(xiàn)過程，這個(gè)結(jié)果已經(jīng)很令人滿意了。

對(duì)預(yù)訓(xùn)練模型進(jìn)行微調(diào)

在SGD分類器上對(duì)bottleneck特征的訓(xùn)練已經(jīng)表示，這些特征能達(dá)到良好的預(yù)測效果。然而，我們能夠通過重新訓(xùn)練頂層、對(duì)模型進(jìn)行微調(diào)來提高分類器的精度呢？同樣，我們能否通過對(duì)訓(xùn)練集的預(yù)處理，讓模型在過擬合上更穩(wěn)定，并且提高它的泛化能力？

微調(diào)的目的是讓預(yù)訓(xùn)練模型適應(yīng)數(shù)據(jù)。大多數(shù)情況下，重新使用的模型都會(huì)在含有不同種類的數(shù)據(jù)集上訓(xùn)練。所以，你需要將網(wǎng)絡(luò)頂端的分類層替換掉。如圖所示：

微調(diào)過程示意

新頂層的訓(xùn)練過程和之前的并沒什么不同，我們只用了不同的分類器。但是，我們可以用數(shù)據(jù)增強(qiáng)的方式提高網(wǎng)絡(luò)的泛化能力。每個(gè)微調(diào)過的網(wǎng)絡(luò)都用稍微改動(dòng)過的圖像訓(xùn)練（例如稍微旋轉(zhuǎn)、縮放等）。

微調(diào)基準(zhǔn)

為了測試微調(diào)后的精確度，我們將添加一個(gè)結(jié)構(gòu)：

ResNet50

InceptionV3

Xception

InceptionResNetV2

每個(gè)模型進(jìn)行100次迭代測試，每次有128個(gè)樣本：

from keras.optimizers import SGD

sgd = SGD(lr=0.001, momentum=0.99, nesterov=True)

下面是數(shù)據(jù)增強(qiáng)中參數(shù)的選擇：

from keras.preprocessing.image importImageDataGenerator

transformer = ImageDataGenerator(

width_shift_range=0.2,

height_shift_range=0.2,

zoom_range=0.2,

rotation_range=30,

vertical_flip=False,

horizontal_flip=True)

最后，模型訓(xùn)練過程的實(shí)現(xiàn)：

from keras.models importModel

from keras.layers importDense

base = create_model(include_top=False)

x = Dense(120, activation='softmax')(x)

model = Model(inputs=base.inputs, outputs=x)

model.compile(optimizer=sgd, loss='categorical_crossentropy')

train_gen = create_training_generator()

valid_gen = create_validation_generator()

model.fit_generator(train_gen, validation_data=valid_gen)

下表是訓(xùn)練后模型的表現(xiàn)：

與之前的表現(xiàn)相比并沒有很大的提升，但是數(shù)據(jù)增強(qiáng)和預(yù)訓(xùn)練InceptionResNetV2網(wǎng)絡(luò)頂部單一密集層的表現(xiàn)卻是最好的。

實(shí)際案例

讓我們看看模型在陌生圖像上的表現(xiàn)到底如何吧，下圖是數(shù)據(jù)集之外的網(wǎng)絡(luò)圖片，模型預(yù)測了五種最可能的狗狗品種：

模型對(duì)有些貓或狗的種類并不完全肯定，也就是說我們可以用它當(dāng)做狗狗探測器。

結(jié)論

現(xiàn)成的模型在這個(gè)項(xiàng)目中的表現(xiàn)十分不錯(cuò)，在狗狗分類數(shù)據(jù)集上訓(xùn)練之后就能達(dá)到精確的結(jié)果。我相信如果再增加更多的頂層、“解鎖”更多隱藏層、加入正則化技術(shù)和更多優(yōu)化，模型的表現(xiàn)會(huì)更好。

但是這一實(shí)驗(yàn)的缺點(diǎn)是選擇的數(shù)據(jù)集是從ImageNet上挑選的狗類圖片，也就是說我們的網(wǎng)絡(luò)可能之前就見過它們了。關(guān)于這一問題論智君也曾報(bào)道過數(shù)據(jù)集的重復(fù)使用所帶來的副作用，可能會(huì)引起一些偏差。