deeplearning4j——卷積神經網路對驗證碼進行識別
一、前言
計算機視覺長久以來沒有大的突破，卷積神經網路的出現，給這一領域帶來了突破，本篇部落格，將通過具體的例項來看看卷積神經網路在影象識別上的應用。
導讀
1、問題描述
2、解決問題的思路
3、用DL4J進行實現
二、問題
有如下一組驗證碼的圖片，圖片大小為60*160，驗證碼由5個數字組成，數字的範圍為0到9，並且每個驗證碼圖片上都加上了干擾背景，圖片的檔名，表示驗證碼上的數字，樣本圖片如下：
窮舉每張圖片的可能性幾乎不可能，所以傳統的程式思路不可能解這個問題，那麼必須讓計算機通過自我學習，獲取識別驗證碼的能力。先讓計算機看大量的驗證碼的圖片，並告訴計算機這些圖片的結果，讓計算機自我學習，慢慢地計算機就學會了識別驗證碼。
三、解決思路
1、特徵
每個數字的形狀各異，各自特徵明顯，這裡的特徵實際上指的是線條的走向、彎曲程度等等形狀上的不同表徵，那麼對於偵測圖形上的形狀，卷積神經網路加上Relu和Max取樣，可以很精確的做到這一點，本質原因在於，把卷積核拉直了看，本質上所做的事情就算向量的點積運算，求一個向量在另一個向量上的投影。對於卷積神經網路的原理可以看看
2、網路結構設計
對於每張圖片而言，有5個數字作為輸出結果，那麼得設計一個有5個output的深度神經網路，首先用多個卷積核+Max取樣層的結構來抽取明顯特徵，最後獲得的特徵經過兩個全連線層逼近，這裡加全連線層有兩個目的，第一：經過sigmoid函式把值壓縮到0到1之間，便於softmax計算，第二，加上全連線層可以更加抽象特徵，讓函式的逼近更加容易。最終的網路結構如下：
3、張量表示
對於Label的表示用one-hot來表示，這樣可以很好的配合softmax，下圖展示了從0到9的數字表示，沿著行的方向，由上而下，分別表示0到9
對於圖片上的畫素點，值域在0到255之間，圖片如果是彩色，那麼實際上會有三個通道，這裡都是黑白色，所以，只有一個通道，取圖片上真實畫素點的值，除以255進行歸一化即可。
四、程式碼實現
1、網路結構
public static ComputationGraph createModel() {
ComputationGraphConfiguration config = new NeuralNetConfiguration.Builder()
.seed(seed)
.gradientNormalization(GradientNormalization.RenormalizeL2PerLayer)
.l2(1e-3)
.updater(new Adam(1e-3))
.weightInit( WeightInit.XAVIER_UNIFORM)
.graphBuilder()
.addInputs("trainFeatures")
.setInputTypes(InputType.convolutional(60, 160, 1))
.setOutputs("out1", "out2", "out3", "out4", "out5", "out6")
.addLayer("cnn1", new ConvolutionLayer.Builder(new int[]{5, 5}, new int[]{1, 1}, new int[]{0, 0})
.nIn(1).nOut(48).activation( Activation.RELU).build(), "trainFeatures")
.addLayer("maxpool1", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0})
.build(), "cnn1")
.addLayer("cnn2", new ConvolutionLayer.Builder(new int[]{5, 5}, new int[]{1, 1}, new int[]{0, 0})
.nOut(64).activation( Activation.RELU).build(), "maxpool1")
.addLayer("maxpool2", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,1}, new int[]{2, 1}, new int[]{0, 0})
.build(), "cnn2")
.addLayer("cnn3", new ConvolutionLayer.Builder(new int[]{3, 3}, new int[]{1, 1}, new int[]{0, 0})
.nOut(128).activation( Activation.RELU).build(), "maxpool2")
.addLayer("maxpool3", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0})
.build(), "cnn3")
.addLayer("cnn4", new ConvolutionLayer.Builder(new int[]{4, 4}, new int[]{1, 1}, new int[]{0, 0})
.nOut(256).activation( Activation.RELU).build(), "maxpool3")
.addLayer("maxpool4", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0})
.build(), "cnn4")
.addLayer("ffn0", new DenseLayer.Builder().nOut(3072)
.build(), "maxpool4")
.addLayer("ffn1", new DenseLayer.Builder().nOut(3072)
.build(), "ffn0")
.addLayer("out1", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.addLayer("out2", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.addLayer("out3", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.addLayer("out4", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.addLayer("out5", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.addLayer("out6", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(10).activation(Activation.SOFTMAX).build(), "ffn1")
.pretrain(false).backprop(true)
.build();
ComputationGraph model = new ComputationGraph(config);
model.init();
return model;
}2、訓練集構建
public MultiDataSet convertDataSet(int num) throws Exception {
int batchNumCount = 0;
INDArray[] featuresMask = null;
INDArray[] labelMask = null;
List<MultiDataSet> multiDataSets = new ArrayList<>();
while (batchNumCount != num && fileIterator.hasNext()) {
File image = fileIterator.next();
String imageName = image.getName().substring(0,image.getName().lastIndexOf('.'));
String[] imageNames = imageName.split("");
INDArray feature = asMatrix(image);
INDArray[] features = new INDArray[]{feature};
INDArray[] labels = new INDArray[6];
Nd4j.getAffinityManager().ensureLocation(feature, AffinityManager.Location.DEVICE);
if (imageName.length() < 6) {
imageName = imageName + "0";
imageNames = imageName.split("");
}
for (int i = 0; i < imageNames.length; i ++) {
int digit = Integer.parseInt(imageNames[i]);
labels[i] = Nd4j.zeros(1, 10).putScalar(new int[]{0, digit}, 1);
}
feature = feature.muli(1.0/255.0);
multiDataSets.add(new MultiDataSet(features, labels, featuresMask, labelMask));
batchNumCount ++;
}
MultiDataSet result = MultiDataSet.merge(multiDataSets);
return result;
}五、後記
用deeplearning4j構建一個深度神經網路，幾乎沒有多餘的程式碼，非常優雅就可以解一個複雜的影象識別問題，對於上述程式碼有幾點說明：
1、對於DenseLayer層，這裡沒有設定網路輸入的size，實際上在dl4j內部已經做了這個set操作
2、對於梯度更新優化，這裡選用Adam，Adam融合了動量和自適應learningRate兩方面的因素，通常會有更好的效果
3、損失函式用的類Log函式，和交叉熵有相同的效果
4、模型訓練好可以使用 ModelSerializer.writeModel(model, modelPath, true)來儲存網路結構，就可以用於影象識別了
完整的程式碼，可以檢視deeplearning4j的example
---------------------------------------------------------------------------------------------------------
快樂源於分享。
此部落格乃作者原創， 轉載請註明出處