【深度學(xué)習(xí)】一文弄懂CNN及圖像識別(Python)

一、卷積神經(jīng)網(wǎng)絡(luò)簡介

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一類包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)，是基于圖像任務(wù)的平移不變性（圖像識別的對象在不同位置有相同的含義）設(shè)計(jì)的，擅長應(yīng)用于圖像處理等任務(wù)。在圖像處理中，圖像數(shù)據(jù)具有非常高的維數(shù)（高維的RGB矩陣表示），因此訓(xùn)練一個(gè)標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)來識別圖像將需要成千上萬的輸入神經(jīng)元，除了顯而易見的高計(jì)算量，還可能導(dǎo)致許多與神經(jīng)網(wǎng)絡(luò)中的維數(shù)災(zāi)難相關(guān)的問題。

對于高維圖像數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)利用了卷積和池化層，能夠高效提取圖像的重要“特征”，再通過后面的全連接層處理“壓縮的圖像信息”及輸出結(jié)果。對比標(biāo)準(zhǔn)的全連接網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)大大減少了。

二、卷積神經(jīng)網(wǎng)絡(luò)的“卷積”?

2.1 卷積運(yùn)算的原理

在信號處理、圖像處理和其它工程/科學(xué)領(lǐng)域，卷積都是一種使用廣泛的技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）這種模型架構(gòu)就得名于卷積計(jì)算。但是，深度學(xué)習(xí)領(lǐng)域的“卷積”本質(zhì)上是信號/圖像處理領(lǐng)域內(nèi)的互相關(guān)（cross-correlation），互相關(guān)與卷積實(shí)際上還是有些差異的。卷積是分析數(shù)學(xué)中一種重要的運(yùn)算。簡單定義f , g 是可積分的函數(shù)，兩者的卷積運(yùn)算如下：

其定義是兩個(gè)函數(shù)中一個(gè)函數(shù)（g）經(jīng)過反轉(zhuǎn)和位移后再相乘得到的積的積分。如下圖，函數(shù) g 是過濾器。它被反轉(zhuǎn)后再沿水平軸滑動(dòng)。在每一個(gè)位置，我們都計(jì)算 f 和反轉(zhuǎn)后的 g 之間相交區(qū)域的面積。這個(gè)相交區(qū)域的面積就是特定位置出的卷積值。

互相關(guān)是兩個(gè)函數(shù)之間的滑動(dòng)點(diǎn)積或滑動(dòng)內(nèi)積。互相關(guān)中的過濾器不經(jīng)過反轉(zhuǎn)，而是直接滑過函數(shù) f，f 與 g 之間的交叉區(qū)域即是互相關(guān)。

下圖展示了卷積與互相關(guān)運(yùn)算過程，相交區(qū)域的面積變化的差異：

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積中的過濾器不經(jīng)過反轉(zhuǎn)。嚴(yán)格來說，這是離散形式的互相關(guān)運(yùn)算，本質(zhì)上是執(zhí)行逐元素乘法和求和。但兩者的效果是一致，因?yàn)檫^濾器的權(quán)重參數(shù)是在訓(xùn)練階段學(xué)習(xí)到的，經(jīng)過訓(xùn)練后，學(xué)習(xí)得到的過濾器看起來就會像是反轉(zhuǎn)后的函數(shù)。

2.2 卷積運(yùn)算的作用

CNN通過設(shè)計(jì)的卷積核（convolution filter，也稱為kernel）與圖片做卷積運(yùn)算（平移卷積核去逐步做乘積并求和）。

如下示例設(shè)計(jì)一個(gè)（特定參數(shù)）的3×3的卷積核：

讓它去跟圖片做卷積，卷積的具體過程是：

1. 用這個(gè)卷積核去覆蓋原始圖片；
   
   
2. 覆蓋一塊跟卷積核一樣大的區(qū)域之后，對應(yīng)元素相乘，然后求和；
   
   
3. 計(jì)算一個(gè)區(qū)域之后，就向其他區(qū)域挪動(dòng)（假設(shè)步長是1），繼續(xù)計(jì)算；
   
   
4. 直到把原圖片的每一個(gè)角落都覆蓋到為止；

可以發(fā)現(xiàn)，通過特定的filter，讓它去跟圖片做卷積，就可以提取出圖片中的某些特征，比如邊界特征。

進(jìn)一步的，我們可以借助龐大的數(shù)據(jù)，足夠深的神經(jīng)網(wǎng)絡(luò)，使用反向傳播算法讓機(jī)器去自動(dòng)學(xué)習(xí)這些卷積核參數(shù)，不同參數(shù)卷積核提取特征也是不一樣的，就能夠提取出局部的、更深層次和更全局的特征以應(yīng)用于決策。

卷積運(yùn)算的本質(zhì)性總結(jié)：過濾器(g)對圖片(f)執(zhí)行逐步的乘法并求和，以提取特征的過程。卷積過程可視化可訪問：https://poloclub.github.io/cnn-explainer/ ? 或 ? https://github.com/vdumoulin/conv_arithmetic

三、卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)通常由3個(gè)部分構(gòu)成：卷積層，池化層，全連接層。簡單來說，卷積層負(fù)責(zé)提取圖像中的局部及全局特征；池化層用來大幅降低參數(shù)量級(降維)；全連接層用于處理“壓縮的圖像信息”并輸出結(jié)果。

3.1 卷積層（CONV）

3.1.1 卷積層基本屬性

卷積層主要功能是動(dòng)態(tài)地提取圖像特征，由濾波器filters和激活函數(shù)構(gòu)成。一般要設(shè)置的超參數(shù)包括filters的數(shù)量、大小、步長，激活函數(shù)類型，以及padding是“valid”還是“same”。

• 卷積核大小（Kernel）：直觀理解就是一個(gè)濾波矩陣，普遍使用的卷積核大小為3×3、5×5等。在達(dá)到相同感受野的情況下，卷積核越小，所需要的參數(shù)和計(jì)算量越小。卷積核大小必須大于1才有提升感受野的作用，而大小為偶數(shù)的卷積核即使對稱地加padding也不能保證輸入feature map尺寸和輸出feature map尺寸不變（假設(shè)n為輸入寬度，d為padding個(gè)數(shù)，m為卷積核寬度，在步長為1的情況下，如果保持輸出的寬度仍為n，公式，n+2d-m+1=n，得出m=2d+1，需要是奇數(shù)），所以一般都用3作為卷積核大小。

• 卷積核數(shù)目：主要還是根據(jù)實(shí)際情況調(diào)整， 一般都是取2的整數(shù)次方，數(shù)目越多計(jì)算量越大，相應(yīng)模型擬合能力越強(qiáng)。

• 步長（Stride）：卷積核遍歷特征圖時(shí)每步移動(dòng)的像素，如步長為1則每次移動(dòng)1個(gè)像素，步長為2則每次移動(dòng)2個(gè)像素（即跳過1個(gè)像素），以此類推。步長越小，提取的特征會更精細(xì)。

• 填充（Padding）：處理特征圖邊界的方式，一般有兩種，一種是“valid”，對邊界外完全不填充，只對輸入像素執(zhí)行卷積操作，這樣會使輸出特征圖像尺寸變得更小，且邊緣信息容易丟失；另一種是還是“same”，對邊界外進(jìn)行填充（一般填充為0），再執(zhí)行卷積操作，這樣可使輸出特征圖的尺寸與輸入特征圖的尺寸一致，邊緣信息也可以多次計(jì)算。

• 通道（Channel）：卷積層的通道數(shù)（層數(shù)）。如彩色圖像一般都是RGB三個(gè)通道（channel）。

• 激活函數(shù)：主要還是根據(jù)實(shí)際驗(yàn)證，通常選擇Relu。

另外的，卷積的類型除了標(biāo)準(zhǔn)卷積，還演變出了反卷積、可分離卷積、分組卷積等各種類型，可以自行驗(yàn)證。

3.1.2 卷積層的特點(diǎn)

通過卷積運(yùn)算的介紹，可以發(fā)現(xiàn)卷積層有兩個(gè)主要特點(diǎn)：局部連接（稀疏連接）和權(quán)值共享。

• 局部連接，就是卷積層的節(jié)點(diǎn)僅僅和其前一層的部分節(jié)點(diǎn)相連接，只用來學(xué)習(xí)局部區(qū)域特征。（局部連接感知結(jié)構(gòu)的理念來源于動(dòng)物視覺的皮層結(jié)構(gòu)，其指的是動(dòng)物視覺的神經(jīng)元在感知外界物體的過程中起作用的只有一部分神經(jīng)元。）

• 權(quán)值共享，同一卷積核會和輸入圖片的不同區(qū)域作卷積，來檢測相同的特征，卷積核上面的權(quán)重參數(shù)是空間共享的，使得參數(shù)量大大減少。

由于局部連接（稀疏連接）和權(quán)值共享的特點(diǎn)，使得CNN具有仿射的不變性(平移、縮放等線性變換)

3.2 池化層（Pooling）

池化層可對提取到的特征信息進(jìn)行降維，一方面使特征圖變小，簡化網(wǎng)絡(luò)計(jì)算復(fù)雜度；另一方面進(jìn)行特征壓縮，提取主要特征，增加平移不變性，減少過擬合風(fēng)險(xiǎn)。但其實(shí)池化更多程度上是一種計(jì)算性能的一個(gè)妥協(xié)，強(qiáng)硬地壓縮特征的同時(shí)也損失了一部分信息，所以現(xiàn)在的網(wǎng)絡(luò)比較少用池化層或者使用優(yōu)化后的如SoftPool。

池化層設(shè)定的超參數(shù)，包括池化層的類型是Max還是Average（Average對背景保留更好，Max對紋理提取更好），窗口大小以及步長等。如下的MaxPooling，采用了一個(gè)2×2的窗口，并取步長stride=2，提取出各個(gè)窗口的max值特征（AveragePooling就是平均值）：

3.3 全連接層（FC）

在經(jīng)過數(shù)次卷積和池化之后，我們最后會先將多維的圖像數(shù)據(jù)進(jìn)行壓縮“扁平化”， 也就是把 (height,width,channel) 的數(shù)據(jù)壓縮成長度為 height × width × channel 的一維數(shù)組，然后再與全連接層連接（這也就是傳統(tǒng)全連接網(wǎng)絡(luò)層，每一個(gè)單元都和前一層的每一個(gè)單元相連接，需要設(shè)定的超參數(shù)主要是神經(jīng)元的數(shù)量，以及激活函數(shù)類型），通過全連接層處理“壓縮的圖像信息”并輸出結(jié)果。

3.4 ?示例：經(jīng)典CNN的構(gòu)建（Lenet-5）

LeNet-5由Yann LeCun設(shè)計(jì)于 1998年，是最早的卷積神經(jīng)網(wǎng)絡(luò)之一。它是針對灰度圖進(jìn)行訓(xùn)練的，輸入圖像大小為32321，不包含輸入層的情況下共有7層。下面逐層介紹LeNet-5的結(jié)構(gòu)：

• 1、C1-卷積層

第一層是卷積層，用于過濾噪音，提取關(guān)鍵特征。使用5 * 5大小的過濾器6個(gè)，步長s = 1，padding = 0。

• 2、S2-采樣層（平均池化層）

第二層是平均池化層，利用了圖像局部相關(guān)性的原理，對圖像進(jìn)行子抽樣，可以減少數(shù)據(jù)處理量同時(shí)保留有用信息，降低網(wǎng)絡(luò)訓(xùn)練參數(shù)及模型的過擬合程度。使用2 * 2大小的過濾器，步長s = 2，padding = 0。池化層只有一組超參數(shù)pool_size 和 步長strides，沒有需要學(xué)習(xí)的模型參數(shù)。

• 3、C3-卷積層

第三層使用5 * 5大小的過濾器16個(gè)，步長s = 1，padding = 0。

• 4、S4-下采樣層（平均池化層）

第四層使用2 * 2大小的過濾器，步長s = 2，padding = 0。沒有需要學(xué)習(xí)的參數(shù)。

• 5、C5-卷積層

第五層是卷積層，有120個(gè)5 * 5 的單元，步長s = 1，padding = 0。

• 6、F6-全連接層

有84個(gè)單元。每個(gè)單元與F5層的全部120個(gè)單元之間進(jìn)行全連接。

• 7、Output-輸出層

Output層也是全連接層，采用RBF網(wǎng)絡(luò)的連接方式（現(xiàn)在主要由Softmax取代，如下示例代碼），共有10個(gè)節(jié)點(diǎn)，分別代表數(shù)字0到9（因?yàn)長enet用于輸出識別數(shù)字的），如果節(jié)點(diǎn)i的輸出值為0，則網(wǎng)絡(luò)識別的結(jié)果是數(shù)字i。

如下Keras復(fù)現(xiàn)Lenet-5：

from?keras.models?import?Sequential
from?keras?import?layers?

le_model?=?keras.Sequential()
le_model.add(layers.Conv2D(6,?kernel_size=(5,?5),?strides=(1,?1),?activation='tanh',?input_shape=(32,32,1),?padding="valid"))
le_model.add(layers.AveragePooling2D(pool_size=(2,?2),?strides=(2,?2),?padding='valid'))
le_model.add(layers.Conv2D(16,?kernel_size=(5,?5),?strides=(1,?1),?activation='tanh',?padding='valid'))
le_model.add(layers.AveragePooling2D(pool_size=(2,?2),?strides=(2,?2),?padding='valid'))
le_model.add(layers.Conv2D(120,?kernel_size=(5,?5),?strides=(1,?1),?activation='tanh',?padding='valid'))
le_model.add(layers.Flatten())
le_model.add(layers.Dense(84,?activation='tanh'))
le_model.add(layers.Dense(10,?activation='softmax'))

四、CNN圖像分類-keras?

以keras實(shí)現(xiàn)經(jīng)典的CIFAR10圖像數(shù)據(jù)集的分類為例，代碼：https://github.com/aialgorithm/Blog

• 訓(xùn)練集輸入數(shù)據(jù)的樣式為：(50000, 32, 32, 3)對應(yīng) (樣本數(shù), 圖像高度， 寬度, RGB彩色圖像通道為3)

from?keras.datasets?import?cifar10
from?keras.preprocessing.image?import?ImageDataGenerator
from?keras.models?import?Sequential
from?keras.layers?import?Dense,?Dropout,?Activation,?Flatten
from?keras.layers?import?Conv2D,?MaxPooling2D
import?keras
import?os

#?數(shù)據(jù)，切分為訓(xùn)練和測試集
(x_train,?y_train),?(x_test,?y_test)?=?cifar10.load_data()
print('x_train?shape:',?x_train.shape)
print(x_train.shape[0],?'train?samples')
print(x_test.shape[0],?'test?samples')

• 展示數(shù)據(jù)集，共有10類圖像：

#?展示數(shù)據(jù)集
import?matplotlib.pyplot?as?plt
class_names?=?['airplane',?'automobile',?'bird',?'cat',?'deer',
???????????????'dog',?'frog',?'horse',?'ship',?'truck']

plt.figure(figsize=(10,10))
for?i?in?range(25):
????plt.subplot(5,5,i+1)
????plt.xticks([])
????plt.yticks([])
????plt.grid(False)
????plt.imshow(x_train[i])
????#?The?CIFAR?labels?happen?to?be?arrays,?
????#?which?is?why?you?need?the?extra?index
????plt.xlabel(class_names[y_train[i][0]])
plt.show()

• 數(shù)據(jù)及標(biāo)簽預(yù)處理：

#?將標(biāo)簽向量轉(zhuǎn)換為二值矩陣。
num_classes?=?10??#圖像數(shù)據(jù)有10個(gè)實(shí)際標(biāo)簽類別
y_train?=?keras.utils.to_categorical(y_train,?num_classes)
y_test?=?keras.utils.to_categorical(y_test,?num_classes)

print(y_train.shape,?'ytrain')

#?圖像數(shù)據(jù)歸一化
x_train?=?x_train.astype('float32')
x_test?=?x_test.astype('float32')
x_train?/=?255
x_test?/=?255

• 構(gòu)造卷積神經(jīng)網(wǎng)絡(luò): 輸入層->多組卷積及池化層->全連接網(wǎng)絡(luò)->softmax多分類輸出層。（如下圖部分網(wǎng)絡(luò)結(jié)構(gòu)）

#?構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)
model?=?Sequential()

#?圖像輸入形狀(32,?32,?3)?對應(yīng)(image_height,?image_width,?color_channels)?
model.add(Conv2D(32,?(3,?3),?padding='same',
?????????????????input_shape=(32,?32,?3)))
model.add(Activation('relu'))
model.add(Conv2D(32,?(3,?3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,?2)))
model.add(Dropout(0.25))

#?卷積、池化層輸出都是一個(gè)三維的(height,?width,?channels)
#?越深的層中，寬度和高度都會收縮
model.add(Conv2D(64,?(3,?3),?padding='same'))
model.add(Activation('relu'))
model.add(Conv2D(64,?(3,?3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,?2)))
model.add(Dropout(0.25))

#??3?維展平為?1?維?，輸入全連接層
model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))???#?CIFAR數(shù)據(jù)有?10?個(gè)輸出類，以softmax輸出多分類
model.add(Activation('softmax'))?

• 模型編譯：設(shè)定RMSprop 優(yōu)化算法；設(shè)定分類損失函數(shù).

#?初始化?RMSprop?優(yōu)化器
opt?=?keras.optimizers.rmsprop(lr=0.001,?decay=1e-6)

#?模型編譯：設(shè)定RMSprop 優(yōu)化算法；設(shè)定分類損失函數(shù)；
model.compile(loss='categorical_crossentropy',
??????????????optimizer=opt,
??????????????metrics=['accuracy'])

• 模型訓(xùn)練: 簡單驗(yàn)證5個(gè)epochs

batch_size?=?64
epochs?=?5??

history?=?model.fit(x_train,?y_train,
??????????????batch_size=batch_size,
??????????????epochs=epochs,
??????????????validation_data=(x_test,?y_test),
??????????????shuffle=True)

• 模型評估：測試集accuracy: 0.716，可見訓(xùn)練/測試集整體的準(zhǔn)確率都不太高（欠擬合），可以增加epoch數(shù)、模型調(diào)優(yōu)驗(yàn)證效果。

附 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法（tricks）：

超參數(shù)優(yōu)化：可以用隨機(jī)搜索、貝葉斯優(yōu)化。推薦分布式超參數(shù)調(diào)試框架Keras Tuner包括了常用的優(yōu)化方法。

數(shù)據(jù)層面：數(shù)據(jù)增強(qiáng)廣泛用于圖像任務(wù)，效果提升大。常用有圖像樣本變換、mixup等。更多優(yōu)化方法具體可見：https://arxiv.org/abs/1812.01187

#?保存模型和權(quán)重
num_predictions?=?20
save_dir?=?os.path.join(os.getcwd(),?'saved_models')
model_name?=?'keras_cifar10_trained_model.h5'

if?not?os.path.isdir(save_dir):
????os.makedirs(save_dir)
model_path?=?os.path.join(save_dir,?model_name)
model.save(model_path)
print('Saved?trained?model?at?%s?'?%?model_path)

#?評估訓(xùn)練模型
scores?=?model.evaluate(x_test,?y_test,?verbose=1)
print('Test?loss:',?scores[0])
print('Test?accuracy:',?scores[1])

plt.plot(history.history['accuracy'],?label='accuracy')
plt.plot(history.history['val_accuracy'],?label?=?'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5,?1])
plt.legend(loc='lower?right')
plt.show()