深度学习笔记

TensorFlow

TensorFlow 不仅是一个实现机器学习算法的接口,也是一种框架,也可用于线性回归、逻辑回归、随机森林等算法;

TensorFlow 使用数据流图来规划计算流程,每个运算操作作为一个节点 node,节点之间的连接称为边,边中流动的数据称为张量,故而得名 TensorFlow,预算操作可以有自己的属性,但必须被预先设置,或者能在创建计算图时被推断出来;

TensorFlow 有一套为节点分配设备的策略,这是一个简单的贪婪策略,不能确保找到全局最优解,但可以快速找到一个不错的节点运算分配方案;

故障出现的两种情况:一是信息从发送节点传输到接受节点失败时,而是周期性的 worker 心跳检测失败时;

TensorFlow 提供的加速神经网络训练的并行计算模式:

数据并行:通过将一个 mini-batch 的数据放在不同设备上计算没实现梯度计算的并行化,计算性能损耗非常小,同步的方式优点是没有梯度干扰,缺点是容错性差,异步的方式优点是有一定容错性,但因为梯度干扰,导致利用效率下降;

模型并行:将计算图的不同部分放在不同设备上运算;

流水线并行:将计算做成流水线,在一个设备上连续并行执行,提高设备利用率;

卷积神经网络 CNN

CNN 具有极强泛化性,最大的特点在于卷积的权值共享结构,能大幅较少神经网络的参数量,防止过拟合的同时降低了神经网络模型的复杂度;

CNN 每个卷基层中对数据的操作:

图像通过多个不同卷积核的滤波,加以偏置,提取出局部特征,每个卷积核映射出一个新的 2D 图像;

将卷积核的滤波结果进行非线性的激活函数处理,常为 ReLU 函数;

对激活结果进行池化操作(即降采样),一般采用最大池化,保留最显著特征,提升模型的畸变容忍能力;

卷积核的大小即为卷积核拥有的参数多少;

采用局部连接的方式,参数量得到了缩减;

卷积的好处是不管图片尺寸如何,我们需要训练的权值数量只和卷积核大小、卷积核数量有关,可以用极少的参数量处理任意大小的图片,虽然训练的参数下降了,但隐含节点数量未下降,隐含节点数量只与卷积的步长相关;

CNN 要点:

局部连接:降低参数量,减轻过拟合,降低训练复杂度;

权值共享:降低参数量,减轻过拟合,赋予对平移的容忍性;

池化层中的降采样:降低输出参数量,赋予轻度形变的容忍性,调高模型的泛化能力;

LeNet5 的特性:

每个卷基层包含三个部分:卷积、池化、非线性激活函数;

使用卷积提取空间特性;

降采样的平均池化层;

双曲正切或 S 型激活函数;

MLP(多层神经网络)作为最后的分类器;

层与层之间的稀疏连接减少计算复杂度;

LeNet5 有三个卷积层、一个全连接层和一个高斯连接层;

第一个卷积层 6 个卷积核,尺寸 55,共(55+1)*6 = 156 个参数

第二个卷积层 16 个卷积核;

第三个卷积层 120 个卷积核;

全连接层 84 个隐含节点,激活函数 Sigmoid;

VGGNet-16 网络结构主要分为 6 部分,前 5 段为卷积网络,最后一段为全连接网络;

第一段:两个卷积层和一个最大池化层,卷积核大小 33,卷积核数量 64,步长 11,第一个卷积层输入尺寸 2242243,输出尺寸 22422464,第二个输入输出尺寸均为 22422464,池化层 22,输出尺寸 112112*64;

第二段:和第一段相似,输出通道数变为 128,卷积网络输出尺寸 5656128,池化层保持不变;

第三段:三个卷积层和一个最大池化层,输出通道变为 256,输出尺寸 2828256;

第四段:和第三段相似,输出通道变为 512,通过最大池化将图片缩为 14*14;

第五段:和第四段相似,池化层尺寸 22,步长为 22,输出尺寸 77512;

第六段:将第五段输出结果进行扁平化,连接一个隐含节点数为 4096 的全连接层,激活函数为 ReLU;

R-CNN

检测系统三个模块:

生成类别无关区域提案;

从每个区域提取固定长度特征向量的大型 CNN;

一组特定类别的线性 SVM;

需要训练数据的三个阶段:

CNN 微调;

检测器 SVM 训练;

检测框回归训练;

引入 CNN 来分类目标候选框,有很高的目标检测精度,但有明显缺点:

训练过程是多级流水线;

训练在时间和空间的开销上极大;

目标检测速度很慢,因为为每个目标候选框进行 CNN 正向传递,不共享计算;

Fast R-CNN

训练 VGG16 网络比 SPP-Net 快 3 倍,测试速度快 10 倍,比 R-CNN 训练快 9 倍,测试时间快 213 倍,有 13 个卷积层和 3 个 fc 层;

目标检测难点:

大量候选目标位置(提案)需要处理;

候选框只提供粗略定位,必须对其精细化以实现精确定位;

优点:

比 R-CNN 和 SPPnet 有更高的目标检测精度 mAP;

训练是使用多任务损失的但阶段训练;

训练可以更新所有网络层参数;

不需要磁盘空间缓存特征;

网络架构流程:输入图像和多个感兴趣区域 ROI,传送到全卷积网络,经池化到固定大小的特征图中,然后通过全连接层 FC 映射到特征向量,网络对每个 ROI 具有两个输出向量:Softmax 概率和每类检测框回归偏移量;

Faster R-CNN

Faste R-CNN 实现了接近实时检测的速率,但忽略了生成区域提案框的时间,Faster R-CNN 算法通过将 RPN 网络集成到目标检测网络*享卷积层,缩减了生成区域提案框的时间,计算提案框的边界成本小;

RPN 是一种全卷积网络 FCN,可以针对生成检测提案框的任务端到端训练;

RPN 中引入新“锚点”作为多尺度和纵横比的参考,避免了枚举多个尺度或纵横比得图像或卷积;

为统一 RPN 和 Fast R-CNN 网络,提出一种训练方案:保持提案框固定,微调区域提案和微调目标检测之间交替进行;

组成模块:

提出区域提案的 CNN 网络;

使用区域提案的 Fast R-CNN 检测器;

RPN 将一个任意大小的图像作为输入,输出矩形目标提案框的集合,每个框由一个 objectness 得分;

为生成区域提案框,在最后一个共享的卷积层输出的卷积特征映射上滑动小网络,网络连接到输入卷积特征映射的 n*n 的空间窗口,每个滑动窗口映射到一个低维向量上,向量在输出给两个同级的全连接的层:检测框回归层 reg 和检测框分类层 cls;

多尺度预测方式:

基于图像/特征金字塔:以多尺度调整大小,为每个尺度计算特征图,有效却耗时;

在特征图上使用多尺度的滑动窗口;

具有共享特征的网络的解决方案:

交替训练;

近似联合训练;

非近似联合训练;

cls 检测框分类层得分是排名最高的提案框准确的原因;


上一篇:github使用介绍


下一篇:Jmeter之Bean shell使用(二)