【深度學習】卷積神經網路的實現與理解
本系列由斯坦福大學CS231n課後作業提供
CS231N - Assignment2 - Q4 - ConvNet on CIFAR-10
問題描述:使用IPython Notebook(現版本為jupyter notebook,如果安裝anaconda完整版會內建),在ConvolutionalNetworks.ipynb檔案中,你將實現幾個卷積神經網路中常用的新層。使用CIFAR-10資料,訓練出一個深度較淺的卷積神經網路,最後盡你所能訓練出一個最佳的神經網路。
任務
實現卷積神經網路卷積層的前向計算與反向傳導
實現卷積神經網路池化層的前向計算與反向傳導
卷積層與池化層的加速
卷積神經網路結構
常規神經網路的輸入是一個向量,經一系列隱層的轉換後,全連線輸出。在分類問題中,它輸出的值被看做是不同類別的評分值。
神經網路的輸入可不可以是圖片呢?
常規神經網路對於大尺寸影象效果不盡人意。圖片的畫素點過多處理起來極為複雜。因此在處理圖片的過程中較為合理地降維成為一個模糊的研究方向。因此基於神經網路結構產生了一個新的神經網路層結構,我們稱之為卷積神經網路。
下圖是多層卷積神經網路的一種結構:
可以看出,網路結構開始為“卷積層(CONV),relu層(RELU),池化層(POOL)”C-R-P週期迴圈,最後由全連線層(FC)輸出結果。
注:實際應用的過程中常常不限於C-R-P迴圈,也有可能是C-C-R-P等等
設啟用函式,池化操作,x為輸入資料代表影象畫素矩陣,w為權重代表過濾層(卷積核),b代表偏置。C-R-P週期則有下面的計算公式:
卷積神經網路的理解比較困難,為了更好地瞭解,我們先講解過程再討論實際作用。
卷積層的樸素(無加速演算法)實現與理解
(在實際應用過程中,一般使用加速過程處理的卷積層,這裡表現的是原始卷積版本)
###卷積層元素
下圖是卷積層的元素:輸入圖片與過濾引數。
輸入圖片(image):輸入層(Input Layer)有3個深度(D1,D2,D3,通常代表圖片的三個通道RGB)。我可以將每個深度獨立出來,看成三幅圖片。圖片的大小為32*32。
過濾引數(filter):過濾器有很多稱呼,如“卷積核”、“過濾層”或者“特徵檢測器”。不要被名詞坑了。過濾器也有3個深度(D1,D2,D3),就是與輸入圖片的深度進行一一對應,方便乘積操作。過濾器視窗一般比輸入圖片視窗小。
###卷積層的前向計算
下圖是卷積層的具體實現方法。
x代表圖片image矩陣,w代表過濾層矩陣。過濾器與image一樣視窗大小的部分乘積求和,這就是卷積過程。下面的動圖就是卷積過程。
上圖中我們看到每次視窗移動2格。這2格就是每次卷積的移動步長。
我們看到原來的圖片在周圍填充了一圈0。填充0的寬度即為每次卷積的填充寬度
移動步長很好理解,但為什麼要填充呢?假設我們不填充。如下圖:
會發現每次卷積之後都會有維度降低。淺層卷積網路可能沒有什麼問題。但是深層卷積可能在網路沒到最後的時候維度即降為0。
這顯然不是我們所希望的。
當然,如果有意願用卷積計算去降維也可以,不過我們更喜歡用池化層的池化操作降維。為甚?我們必須先了解卷積層的作用。
卷積層正向卷積過程程式碼實現
def conv_forward_naive(x, w, b, conv_param):
"""
A naive implementation of the forward pass for a convolutional layer.
The input consists of N data points, each with C channels, height H and
width W. We convolve each input with F different filters, where each filter
spans all C channels and has height HH and width HH.
Input:
- x: Input data of shape (N, C, H, W)
- w: Filter weights of shape (F, C, HH, WW)
- b: Biases, of shape (F,)
- conv_param: A dictionary with the following keys:
- 'stride': The number of pixels between adjacent receptive fields in the
horizontal and vertical directions.
- 'pad': The number of pixels that will be used to zero-pad the input.
Returns a tuple of:
- out: Output data, of shape (N, F, H', W') where H' and W' are given by
H' = 1 + (H + 2 * pad - HH) / stride
W' = 1 + (W + 2 * pad - WW) / stride
- cache: (x, w, b, conv_param)
"""
###########################################################################
# TODO: Implement the convolutional forward pass. #
# Hint: you can use the function np.pad for padding. # ###########################################################################
N, C, H, W = x.shape
F, C, HH, WW = w.shape
stride = conv_param['stride']
pad = conv_param['pad']
##計算卷積後新矩陣的大小並分配全零值佔位
new_H = 1 + int((H + 2 * pad - HH) / stride)
new_W = 1 + int((W + 2 * pad - WW) / stride)
out = np.zeros([N, F, new_H, new_W])
##卷積開始
for n in range(N):
for f in range(F):
##臨時分配(new_H, new_W)大小的全便宜香卷積矩陣,(即提前加上偏移項b[f])
conv_newH_newW = np.ones([new_H, new_W])*b[f]
for c in range(C):
##填充原始矩陣,填充大小為pad,填充值為0
pedded_x = np.lib.pad(x[n, c], pad_width=pad, mode='constant', constant_values=0)
for i in range(new_H):
for j in range(new_W):
conv_newH_newW[i, j] += np.sum( pedded_x[i*stride:i*stride+HH, j*stride:j*stride+WW] * w[f,c,:,:] )
out[n,f] = conv_newH_newW
###########################################################################
# END OF YOUR CODE #
###########################################################################
cache = (x, w, b, conv_param)
return out, cache
###卷積層的個人理解
對卷積層的作用,很多人的說法莫衷一是。我這裡談談自己的理解。
####1. 實現某畫素點多通道以及周圍資訊的整合
說白了就是將一個畫素與其周圍的點建立聯絡。我們用將一點及其周邊“卷”起來求和計算。那麼每一層卷積必然是將一個畫素點與周圍建立聯絡的過程。
這麼說起來“Convolution”翻譯為“卷和”更恰當,其實卷積的“積”是積分的意思
####2. 我們先講一個喪心病狂的故事
如果你每天玩遊戲不陪女朋友,那麼女朋友每天都要扇你一巴。打你一巴掌後,臉的一部分就腫了。你的臉就是圖片,女朋友的巴掌就是卷積核層。每打一巴掌,相當於“卷積核”作用臉部一個地方“做卷積”。臉腫了相當於臉部“卷積後”輸出的結果。
如果有一天,女友忍無可忍,連續扇你嘴巴,那麼問題就出現了。上一次扇你鼓起來的包還沒消腫,第二個巴掌就來了。女友不斷扇你,卷積不地作用在你臉上,效果不斷疊加了,這樣這些效果就可以求和了。
女友再狠一點,頻率越來越高,以至於你都辨別不清時間間隔了。那麼,求和就變成積分了。這就是“卷積”一詞的由來。
女友打你在不同的位置,自然會有不同的身體反應。根據打你後卷積後身體的反應卷積結果可以判斷出打到什麼位置了。
身體反應(卷積結果) | 可能推論 |
---|---|
腫了 | 打到臉了 |
紅了 | 打到肚子了 |
沒反應 | 打到骨頭了 |
女友手疼 | 打到骨刺了 |
這麼一解釋卷積層的解釋果然很明顯。。。。嗯,對。。。。我自己都信了。。。。
3. 影象處理中模板的概念
在傳統影象處理中,模板即一個矩陣方塊。在這裡你可以認為是卷積核,計算為方法為卷積運算。如下面的一個模板
一幅圖片經過它的卷積運算,可以得到這樣的結果。
上面的那種模板就是“低通濾波模板”的一種。
通過改變方陣的數值與大小,可以生成很多新鮮的模板。如“高通濾波模板”,“邊緣檢測模板”,“匹配濾波邊緣檢測模板”等等。。
那麼問題來了:我們該在什麼時候,用什麼數值的模板?對傳統的模板選擇,憑藉的是演算法工程師的經驗。但現在,我們不怕了!~~~~~~深度學習幫我們訓練模板的引數。圖片在卷積神經網路的一次前向過程,相當於對影象做一次特定的處理。
###卷積層反向求導
前面我們介紹了卷積層的前向計算。大致瞭解了卷積的作用,但是神經網路的引數是怎麼來的?引數的獲取是一個迭代的訓練的過程,每次反向傳播是糾正引數,減小誤差。(具體細節請看別人關於神經網路“前向計算,反向傳播”的講解。)
上文提到了C-R-P週期計算公式。
為relu啟用函式,池化操作用表示,x為輸入資料代表影象畫素矩陣,w為權重代表過濾器(卷積核),b代表偏置。
編寫卷積層反向傳播時,暫時不用考慮池化層,與啟用函式。我們可以用g()代指卷積層後所有的操作。所以這一層的反向對x求導可以簡化為如下操作。
在斯坦福CS231n課程作業中,把無實際用處的g忽略。記。
對於中國大陸學生來說這是一個深淵巨坑的記法。在高等數學教材裡。dout,dx有專門的含義。但這裡我們要遵循老師的記法。
下圖為卷積層反向求導的過程圖片。
卷積層反向求導過程程式碼實現
def conv_backward_naive(dout, cache):
"""
A naive implementation of the backward pass for a convolutional layer.
Inputs:
- dout: Upstream derivatives.
- cache: A tuple of (x, w, b, conv_param) as in conv_forward_naive
Returns a tuple of:
- dx: Gradient with respect to x
- dw: Gradient with respect to w
- db: Gradient with respect to b
"""
###########################################################################
# TODO: Implement the convolutional backward pass. #
###########################################################################
# 資料準備
x, w, b, conv_param = cache
pad = conv_param['pad']
stride = conv_param['stride']
F, C, HH, WW = w.shape
N, C, H, W = x.shape
N, F, new_H, new_W = dout.shape
# 下面,我們模擬卷積,首先填充x。
padded_x = np.lib.pad(x,
((0, 0), (0, 0), (pad, pad), (pad, pad)),
mode='constant',
constant_values=0)
padded_dx = np.zeros_like(padded_x) # 填充了的dx,後期去填充即可得到dx
dw = np.zeros_like(w)
db = np.zeros_like(b)
for n in range(N): # 第n個影象
for f in range(F): # 第f個過濾器
for i in range(new_H):
for j in range(new_W):
db[f] += dout[n, f, i, j] #求導為1,無爭議
dw[f] += padded_x[n, :, i*stride : HH + i*stride, j*stride : WW + j*stride] * dout[n, f, i, j]
padded_dx[n, :, i*stride : HH + i*stride, j*stride : WW + j*stride] += w[f] * dout[n, f, i, j]
# 反填充
dx = padded_dx[:, :, pad:pad + H, pad:pad + W]
###########################################################################
# END OF YOUR CODE # ###########################################################################
return dx, dw, db
池化層的樸素(無加速演算法)實現與理解
池化層的前向計算
在“卷積層需要填充”這一部分我們就說過:卷積層負責畫素間建立聯絡,池化層負責降維。從某種層度上來說,池化操作也算是一種不需要填充操作的特殊的卷積操作。
池化操作也需要過濾器(也有翻譯為池化核),每次過濾層移動的距離叫做步長。
不過在池化操作中,過濾器與原圖可以不做卷積運算,僅僅是降維功能。下圖就表示過濾器選擇視窗最大項的**“最大池化操作”**。
最大池化操作的前向計算
基於卷積的經驗,很快地寫出最大池化操作的前向計算與反向求導的程式碼。
def max_pool_forward_naive(x, pool_param):
"""
A naive implementation of the forward pass for a max pooling layer.
Inputs:
- x: Input data, of shape (N, C, H, W)
- pool_param: dictionary with the following keys:
- 'pool_height': The height of each pooling region
- 'pool_width': The width of each pooling region
- 'stride': The distance between adjacent pooling regions
Returns a tuple of:
- out: Output data
- cache: (x, pool_param)
"""
###########################################################################
# TODO: Implement the max pooling forward pass #
###########################################################################
# 準備資料
N, C, H, W = x.shape
pool_height = pool_param['pool_height']
pool_width = pool_param['pool_width']
pool_stride = pool_param['stride']
new_H = 1 + int((H - pool_height) / pool_stride)
new_W = 1 + int((W - pool_width) / pool_stride)
out = np.zeros([N, C, new_H, new_W])
for n in range(N):
for c in range(C):
for i in range(new_H):
for j in range(new_W):
out[n,c,i,j] = np.max(x[n, c, i*pool_stride : i*pool_stride+pool_height, j*pool_stride : j*pool_stride+pool_width])
###########################################################################
# END OF YOUR CODE #
###########################################################################
cache = (x, pool_param)
return out, cache
最大池化的反向求導
def max_pool_backward_naive(dout, cache):
"""
A naive implementation of the backward pass for a max pooling layer.
Inputs:
- dout: Upstream derivatives
- cache: A tuple of (x, pool_param) as in the forward pass.
Returns:
- dx: Gradient with respect to x
"""
###########################################################################
# TODO: Implement the max pooling backward pass #
###########################################################################
# 資料準備
x, pool_param = cache
N, C, H, W = x.shape
pool_height = pool_param['pool_height']
pool_width = pool_param['pool_width']
pool_stride = pool_param['stride']
new_H = 1 + int((H - pool_height) / pool_stride)
new_W = 1 + int((W - pool_width) / pool_stride)
dx = np.zeros_like(x)
for n in range(N):
for c in range(C):
for i in range(new_H):
for j