建站
咨詢
售后
建站咨詢
新聞中心
本文緣起于一次CNN作業(yè)中的一道題，這道題涉及到了基本的CNN網(wǎng)絡(luò)搭建，在MNIST數(shù)據(jù)集上的分類結(jié)果，Batch Normalization的影響，Dropout的影響，卷積核大小的影響，數(shù)據(jù)集大小的影響，不同部分?jǐn)?shù)據(jù)集的影響，隨機(jī)數(shù)種子的影響，以及不同激活單元的影響等，能夠讓人比較全面地對CNN有一個了解，所以想做一下，于是有了本文。
創(chuàng)新互聯(lián)公司主營易門網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營網(wǎng)站建設(shè)方案,成都app軟件開發(fā),易門h5微信小程序定制開發(fā)搭建,易門網(wǎng)站營銷推廣歡迎易門等地區(qū)企業(yè)咨詢
工具
開源深度學(xué)習(xí)庫： PyTorch
數(shù)據(jù)集： MNIST
實現(xiàn)
初始要求
首先建立基本的BASE網(wǎng)絡(luò)，在Pytorch中有如下code：
- class Net(nn.Module):
- def __init__(self):
- super(Net, self).__init__()
- self.conv1 = nn.Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1), padding=0)
- self.conv2 = nn.Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1), padding=0)
- self.fc1 = nn.Linear(4*4*50, 500)
- self.fc2 = nn.Linear(500, 10)
- def forward(self, x):
- x = F.max_pool2d(self.conv1(x), 2)
- x = F.max_pool2d(self.conv2(x), 2)
- x = x.view(-1, 4*4*50)
- x = F.relu(self.fc1(x))
- x = self.fc2(x)
- return F.log_softmax(x)
這部分代碼見 base.py 。
問題A：預(yù)處理
即要求將MNIST數(shù)據(jù)集按照規(guī)則讀取并且tranform到適合處理的格式。這里讀取的代碼沿用了BigDL Python Support的讀取方式，無需細(xì)說，根據(jù)MNIST主頁上的數(shù)據(jù)格式可以很快讀出，關(guān)鍵block有讀取32位比特的函數(shù)：
- def _read32(bytestream):
- dt = numpy.dtype(numpy.uint32).newbyteorder('>') # 大端模式讀取，***字節(jié)在前(MSB first)
- return numpy.frombuffer(bytestream.read(4), dtype=dt)[0]
讀出后是(N, 1, 28, 28)的tensor，每個像素是0-255的值，首先做一下歸一化，將所有值除以255，得到一個0-1的值，然后再Normalize，訓(xùn)練集和測試集的均值方差都已知，直接做即可。由于訓(xùn)練集和測試集的均值方差都是針對歸一化后的數(shù)據(jù)來說的，所以剛開始沒做歸一化，所以forward輸出和grad很離譜，后來才發(fā)現(xiàn)是這里出了問題。
這部分代碼見 preprocessing.py 。
問題B：BASE模型
將random seed設(shè)置為0，在前10000個訓(xùn)練樣本上學(xué)習(xí)參數(shù)，***看20個epochs之后的測試集錯誤率。***結(jié)果為：
- Test set: Average loss: 0.0014, Accuracy: 9732/10000 (97.3%)
可以看到，BASE模型準(zhǔn)確率并不是那么的高。
問題C：Batch Normalization v.s BASE
在前三個block的卷積層之后加上Batch Normalization層，簡單修改網(wǎng)絡(luò)結(jié)構(gòu)如下即可：
- class Net(nn.Module):
- def __init__(self):
- super(Net, self).__init__()
- self.conv1 = nn.Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1), padding=0)
- self.conv2 = nn.Conv2d(20, 50, kernel_size=(5, 5), stride=(1, 1), padding=0)
- self.fc1 = nn.Linear(4*4*50, 500)
- self.fc2 = nn.Linear(500, 10)
- self.bn1 = nn.BatchNorm2d(20)
- self.bn2 = nn.BatchNorm2d(50)
- self.bn3 = nn.BatchNorm1d(500)
- def forward(self, x):
- x = self.conv1(x)
- x = F.max_pool2d(self.bn1(x), 2)
- x = self.conv2(x)
- x = F.max_pool2d(self.bn2(x), 2)
- x = x.view(-1, 4*4*50)
- x = self.fc1(x)
- x = F.relu(self.bn3(x))
- x = self.fc2(x)
- return F.log_softmax(x)
同樣的參數(shù)run一下，得出加了BN的結(jié)果為：
- Test set: Average loss: 0.0009, Accuracy: 9817/10000 (98.2%)
由此可見，有明顯的效果提升。
關(guān)于Batch Normalization的更多資料參見[2],[5]。
問題D： Dropout Layer
在***一層即 fc2 層后加一個 Dropout(p=0.5) 后，在BASE和BN上的結(jié)果分別為：
- BASE：Test set: Average loss: 0.0011, Accuracy: 9769/10000 (97.7%)
- BN： Test set: Average loss: 0.0014, Accuracy: 9789/10000 (97.9%)
觀察得知，dropout能夠?qū)ASE模型起到一定提升作用，但是對BN模型卻效果不明顯反而降低了。
原因可能在于，BN模型中本身即包含了正則化的效果，再加一層Dropout顯得沒有必要反而可能影響結(jié)果。
問題E：SK model
SK model: Stacking two 3x3 conv. layers to replace 5x5 conv. layer
如此一番改動后，搭建的SK模型如下：
- class Net(nn.Module):
- def __init__(self):
- super(Net, self).__init__()
- self.conv1_1 = nn.Conv2d(1, 20, kernel_size=(3, 3), stride=(1, 1), padding=0)
- self.conv1_2 = nn.Conv2d(20, 20, kernel_size=(3, 3), stride=(1, 1), padding=0)
- self.conv2 = nn.Conv2d(20, 50, kernel_size=(3, 3), stride=(1, 1), padding=0)
- self.fc1 = nn.Linear(5*5*50, 500)
- self.fc2 = nn.Linear(500, 10)
- self.bn1_1 = nn.BatchNorm2d(20)
- self.bn1_2 = nn.BatchNorm2d(20)
- self.bn2 = nn.BatchNorm2d(50)
- self.bn3 = nn.BatchNorm1d(500)
- self.drop = nn.Dropout(p=0.5)
- def forward(self, x):
- x = F.relu(self.bn1_1(self.conv1_1(x)))
- x = F.relu(self.bn1_2(self.conv1_2(x)))
- x = F.max_pool2d(x, 2)
- x = self.conv2(x)
- x = F.max_pool2d(self.bn2(x), 2)
- x = x.view(-1, 5*5*50)
- x = self.fc1(x)
- x = F.relu(self.bn3(x))
- x = self.fc2(x)
- return F.log_softmax(x)
在20個epoch后，結(jié)果如下，
- SK： Test set: Average loss: 0.0008, Accuracy: 9848/10000 (98.5%)
測試集準(zhǔn)確率得到了少許的提高。
這里利用2個3x3的卷積核來代替大的5x5卷積核，參數(shù)個數(shù)由5x5=25變?yōu)榱?x3x3=18。實踐表明，這樣使得計算更快了，并且小的卷積層之間的ReLU也很有幫助。
VGG中就使用了這種方法。
問題F：Change Number of channels
通過將特征圖大小乘上一個倍數(shù)，再通過shell程序執(zhí)行，得到如下結(jié)果：
- SK0.2： 97.7%
- SK0.5： 98.2%
- SK1： 98.5%
- SK1.5： 98.6%
- SK2： 98.5% (max 98.7%)
在特征圖分別為4，10, 30, 40時，最終的準(zhǔn)確度基本是往上提升的。這在一定程度上說明，在沒有達(dá)到過擬合前，增大特征圖的個數(shù)，即相當(dāng)于提取了更多的特征，提取特征數(shù)的增加有助于精度的提高。
這部分代碼見 SK_s.py 和 runSK.sh 。
問題G：Use different training set sizes
同樣通過腳本運行，增加參數(shù)
- parser.add_argument('--usedatasize', type=int, default=60000, metavar='SZ',
- help='use how many training data to train network')
表示使用的數(shù)據(jù)大小，從前往后取 usebatchsize 個數(shù)據(jù)。
這部分程序見 SK_s.py 和 runTrainingSize.sh 。
運行的結(jié)果如下：
- 500： 84.2%
- 1000： 92.0%
- 2000： 94.3%
- 5000： 95.5%
- 10000： 96.6%
- 20000： 98.4%
- 60000： 99.1%
由此可以明顯地看出，數(shù)據(jù)越多，結(jié)果的精度越大。
太少的數(shù)據(jù)無法準(zhǔn)確反映數(shù)據(jù)的整體分布情況，而且容易過擬合，數(shù)據(jù)多到一定程度效果也會不明顯，不過，大多數(shù)時候我們總還是嫌數(shù)據(jù)太少，而且更多的數(shù)據(jù)獲取起來也有一定難度。
問題H：Use different training sets
采用腳本完成，這部分程序見 SK_0.2.py 和 diffTrainingSets.sh 。
運行結(jié)果如下：
- 0-10000： 98.0%
- 10000-20000： 97.8%
- 20000-30000： 97.8%
- 30000-40000： 97.4%
- 40000-50000： 97.5%
- 50000-60000： 97.7%
由此可見，采用不同的訓(xùn)練樣本集合訓(xùn)練出來的網(wǎng)絡(luò)有一定的差異，雖不是很大，但是畢竟顯示出了不穩(wěn)定的結(jié)果。
問題I：Random Seed’s effects
采用 runSeed.sh 腳本完成，用到了全部60000個訓(xùn)練集。
運行的結(jié)果如下：
- Seed 0： 98.9%
- Seed 1： 99.0%
- Seed 12： 99.1%
- Seed 123： 99.0%
- Seed 1234： 99.1%
- Seed 12345： 99.0%
- Seed 123456： 98.9%
事實上在用上整個訓(xùn)練集的時候，隨機(jī)數(shù)生成器的種子設(shè)置對于***結(jié)果的影響不大。
問題J：ReLU or Sigmoid?
將ReLU全部換成Sigmoid后，用全部60000個訓(xùn)練集訓(xùn)練，有對比結(jié)果如下：
- ReLU SK_0.2: 99.0%
- igmoid SK_0.2: 98.6%
由此可以看出，在訓(xùn)練CNN時，使用ReLU激活單元比Sigmoid激活單元要更好一些。原因可能在于二者機(jī)制的差別，sigmoid在神經(jīng)元輸入值較大或者較小時，輸出值會近乎0或者1，這使得許多地方的梯度幾乎為0，權(quán)重幾乎得不到更新。而ReLU雖然增加了計算的負(fù)擔(dān)，但是它能夠顯著加速收斂過程，并且也不會有梯度飽和問題。
當(dāng)前題目：利用Pytorch進(jìn)行CNN詳細(xì)剖析
轉(zhuǎn)載源于：http://www.5511xx.com/article/dhhsiee.html
