深度学习以及卷积基础

作者:石文华

编辑:龚 赛

介 绍

深度学习是机器学习的一个分支,是基于数据来学习表示数据的一组算法。下面我们列出最受欢迎的一些深度学习算法。

  • 卷积神经网络
  • 深度信念网络
  • 自动编码器
  • 递归神经网络(RNN / LSTM / GRU)
  • 对抗生成网络(GAN)

深度学习的目的之一是他们将取代手工制作的特征提取。这个想法是,他们将从给定的数据中“学习”到所需的最佳特征。

层与层

深度学习模型由多层构成,在人工神经网络的情况下,具有2个以上隐藏层的多层感知器(MLP)已经是深度模型。 作为一个经验法则,深层模型有可能比浅层模型表现更好。但是,越深的神经网络你需要越多的数据来避免过拟合。

层类型

这里列出一些最常用的图层:

  1. 卷积层
  2. 最大/平均池化层
  3. Dropout层
  4. 批量标准化层
  5. 全连接层
  6. Relu,Tanh,Sigmoid层(非线性层)
  7. Softmax,交叉熵,SVM,欧几里得(损失层)

避免过拟合(正则化)

除了获得更多的数据之外,还有一些技巧用于解决过度拟合问题,这里列出了一些最常见的技术:

  • Dropout
  • L2正则化
  • 数据增强

Dropout

这是一种在训练期间随机关闭全连接层中一些神经元的技术。

Dropout迫使全连接层以不同的方式学习相同的概念。

L2正则化

最常见的正则化形式是L2正则化,L2正则化是给损失函数添加一个额外的惩罚项,这个惩罚项也就是我们正在优化的所有权重/参数的平方值。对于神经网络的每一个参数ω,我们加入一项0.5λω²到损失函数中去,λ表示正则化强度的参数,当我们反向传播计算导数时,我们只是用了0.5λ作为正则化的强度。由于使用这种正规化,非常高价值的权重受到严重惩罚。所以我们更倾向于使用一层的所有权重作为输入,而不是少数一些权重带替代。这种方法的效果比较好,因为我们的模型权重将被最大限度地利用,并且我们有更少未使用的权重。

除了L2正则化之外,还有L1正则化和Max Norm,但这里没有讨论,因为L2一般表现更好。

数据增强

通过对输入数据进行一些转换,可以合成新的训练样例。例如,进行图像翻转或随机移动RGB值。在2012年Imagenet竞赛期间,Alex Krizhevesky(Alexnet)使用了2048倍的因子进行数据增强,这意味着用于训练其模型的数据集实际上比开始时大2048倍,并且在不使用数据增强的情况下改进了泛化。

分层的特征表示

它是让学习算法找到从输入到更深层的最佳表示。 浅层学会用简单的形式表示数据,深层用前面学到的特征来学习更高纬度的特征来表示数据。

卷 积

卷积是一种数学运算,它对两个函数(信号)乘积进行积分,其中一个信号是被翻转。例如下面我们对2个信号f(t)和g(t)进行卷积。

首先要做的是水平翻转(180度)信号g,然后将翻转后的g滑过f,对应相乘并累加所有的值。 conv(a,b)== conv(b,a)的结果是一样的, 在这种情况下,规定蓝色信号 F(τ)F(τ) 是我们的输入信号和 G(t )G(Ť) 作为我们的卷积核,当使用卷积来过滤信号时使用术语卷积核。

输出一维信号

在一维卷积的情况下,输出尺寸计算如下: outputSize=(InputSize−KernelSize)+1

卷积的应用

人们在以下用例中对信号处理使用卷积:

  • 滤波器信号(1D音频,2D图像处理)
  • 检查一个信号与另一个信号的相关程度
  • 在信号中查找模式

在matlab和python(numpy)中的简单例子

下面我们将两个信号x =(0,1,2,3,4)与w =(1,-1,2)进行卷积。

手工操作

为了更好地理解卷积的概念,我们手工完成上面的例子。我们要卷积2个信号(x,w)。首先是水平翻转W(或向左旋转180度)

之后,我们将翻转的W滑过输入X.

注意到在步骤3,4,5中,翻转后的窗口完全位于输入信号的内部。称为“有效”卷积。在翻转窗口不完全位于输入窗口(X)内部的情况下,我们可以将其视为零,只计算位于窗口内的数据,例如在步骤1中,我们将1乘以零,其余部分将被忽略。

对输入进行填充

为了保持卷积结果大小与输入大小相同,并避免称为循环卷积的效应,我们用零填充信号。 你把零放在哪个位置取决于你想要做什么,例如:在1D的情况下,你可以在每一端连接它们,但在2D上它通常放置在原始信号周围。

在matlab上,你可以使用命令'padarray'来填充输入信号: >> x

x(:,:,1) =

 1     1     0     2     0
 2     2     2     2     1
 0     0     0     2     1
 2     2     2     2     1
 2     0     2     2     1

x(:,:,2) =

 2     1     0     0     0
 0     2     0     1     0
 1     0     1     2     0
 1     2     0     2     1
 1     2     1     2     2

x(:,:,3) =

 2     1     1     2     2
 1     1     1     0     0
 2     0     1     0     2
 0     2     0     2     1
 0     0     2     1     0

>> padarray(x,[1 1])

ans(:,:,1) =

 0     0     0     0     0     0     0
 0     1     1     0     2     0     0
 0     2     2     2     2     1     0
 0     0     0     0     2     1     0
 0     2     2     2     2     1     0
 0     2     0     2     2     1     0
 0     0     0     0     0     0     0

ans(:,:,2) =

 0     0     0     0     0     0     0
 0     2     1     0     0     0     0
 0     0     2     0     1     0     0
 0     1     0     1     2     0     0
 0     1     2     0     2     1     0
 0     1     2     1     2     2     0
 0     0     0     0     0     0     0

ans(:,:,3) =

 0     0     0     0     0     0     0
 0     2     1     1     2     2     0
 0     1     1     1     0     0     0
 0     2     0     1     0     2     0
 0     0     2     0     2     1     0
 0     0     0     2     1     0     0
 0     0     0     0     0     0     0

将卷积转化为计算图

将操作转化为计算图,更容易计算每个节点参数的偏导数,这里我们演示将之前的一维卷积转化为计算图,这也可以扩展到二维卷积。

计算图的创建是在翻转的内核完全插入被卷积的数据之前的。

之后我们将使用这个图来推断卷积层的输入(x)和权重(w)的梯度。

2D卷积

现在我们延伸到第二个维度。2D卷积被用作图像滤波器。下面是一个2D图像卷积的例子:

Matlab与Python示例

手工操作

首先,我们应该翻转内核,然后在输入信号上滑动内核。

步 长

默认情况下,当我们进行卷积运算时,我们的窗口每次移动一个像素(步幅= 1),但是在卷积神经网络中我们需要移动多个像素。例如,在使用大小为2的内核进行卷积时,我们将使用2的步幅。将步幅和内核大小都设置为2将导致输出沿着两个维度恰好为输入大小的一半。 观察红色内核窗口下方的移动远远多于一个像素。

2D的输出尺寸

下面提供了一个公式计算我们卷积之后的输出尺寸 。 如果我们考虑将由P填充的空间大小[H,W]的输入与大小为F的方形核并使用步长S进行卷积,那么卷积的输出大小被定义为:

F是内核的大小,通常我们使用方形内核,所以F既是内核的宽度又是高度。

实现卷积运算

下面的示例将对一个5x5x3的输入进行卷积,其中具有以下参数Stride=2,Pad=1,F=3(3x3内核)和K=2(两个滤波器)的conv层。 我们的输入有3个通道,所以需要3x3x3的内核权重。有2个过滤器(K = 2),所以最后会有2个输出。计算这两个输出的大小为:(5 - 3 + 2)/ 2 + 1 = 3。得到最终的尺寸(3x3x2)。

仔细看看这个例子,我们需要计算2个卷积,不要忘了给每个3x3x3滤波器(w0,w1)添加偏差。

参考文献

  • https://en.wikipedia.org/wiki/Convolution
  • https://www.khanacademy.org/math/differential-equations/laplace-transform/convolution-integral/v/introduction-to-the-convolution
  • http://www.dspguide.com/ch6/2.htm

原文发布于微信公众号 - 机器学习算法全栈工程师(Jeemy110)

原文发表时间:2018-03-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法全栈工程师

手把手教你实现GAN半监督学习

作者:刘威威 编辑:田 旭 引言 本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像,实现在一万张测试图片上99%的测试精度,原理...

7697
来自专栏企鹅号快讯

如何使用Keras集成多个卷积网络并实现共同预测

在统计学和机器学习领域,集成方法(ensemble method)使用多种学习算法以获得更好的预测性能(相比单独使用其中任何一种算法)。和统计力学中的统计集成(...

3319
来自专栏机器之心

从最大似然估计开始,你需要打下的机器学习基石

3379
来自专栏PPV课数据科学社区

全连接网络到卷积神经网络逐步推导(组图无公式)

摘要: 在图像分析中,卷积神经网络(Convolutional Neural Networks, CNN)在时间和内存方面优于全连接网络(Full Connec...

522
来自专栏云时之间

深度学习与TensorFlow:理解卷积神经网络

在之前我们学习好搭建全连接神经网络后,今天让我们继续学习去搭建卷积神经网络,并且来使用mnist进行手写数字识别.

1695
来自专栏机器之心

学界 | 在有池化层、1步幅的CNN上减少冗余计算,一种广泛适用的架构转换方法

2025
来自专栏人工智能

吴恩达深度学习课程笔记之卷积神经网络基本操作详解

卷积层 CNN中卷积层的作用: CNN中的卷积层,在很多网络结构中会用conv来表示,也就是convolution的缩写。 卷积层在CNN中扮演着很重要的角色—...

3437
来自专栏专知

深度学习和普通机器学习之间有何区别?

【导读】文章标题是个很有趣的问题,深度学习作为机器学习的子集,它和普通机器学习之间到底有什么区别呢?作者使用了一种很普通的方式来回答这个问题。 本质上,深度学习...

3705
来自专栏李智的专栏

斯坦福CS231n - CNN for Visual Recognition(2)-lecture3(上)线性分类器、损失函数

  由于之前KNN分类器的缺点,让我们很自然地去寻找有更加强大地方法去完成图像分类任务,这种方法主要有两部分组成: 评分函数(score function)...

721
来自专栏程序生活

NLP面试-最大似然估计与贝叶斯估计的区别

全概率公式为概率论中的重要公式,它将对一复杂事件A的概率求解问题转化为了在不同情况下发生的简单事件的概率的求和问题。

562

扫描关注云+社区