AI从入门到放弃2:CNN的导火索,用MLP做图像分类识别?

来源 | 腾讯知乎专栏

作者 | AIoys(腾讯员工,后台工程师)

项目文档和代码在此:github项目地址: https://github.com/zsysuper/AI_Notes

▌一、前言

阅读本文的基础:

我会认为你对BP神经网络有充分的了解,熟读过我上一篇文章,本文会大量引用上一篇文章的知识以及代码。

上一篇笔记的传送门:《AI从入门到放弃:BP神经网络算法推导及代码实现笔记》(编辑注:为方便大家阅读,此处添加的是人工智能头条此前发布的文章链接)

▌二、用MLP做图像分类识别?

在没有CNN以及更先进的神经网络的时代,朴素的想法是用多层感知机(MLP)做图片分类的识别,没毛病。

作为上篇笔记学习的延续,以及下一篇CNN的药引,使用MLP来做图片分类识别,实在是个不错的过度例子。通过这个例子,从思路上引出一系列的问题,我不卖关子,自问自答吧,即:

  • MLP能做图片分类识别吗?--> 答案是是可以的,上一篇我们是拟合非线性分类函数,这里是拟合图像特征,数学本质没区别。
  • MLP做这个事情效果如何?--> 个人认知内,只能说一般一般。
  • MLP在这一领域效果一般,是有什么缺陷吗? --> 缺陷是有的,下文会详细说。
  • 有更好的解决方案吗? --> 那也是必须有的,地球人火星人喵星人都知道有CNN等等更先进的东东;但是在没有这些东西存在的时代,你发明出来了,那才真是666。

▌三、先上车

1. 数据源

  • 数据源当然是图片,但是是经过数据化处理的图片,使用的是h5文件。h5文件简单说就是把数据按索引固化起来,挺简单的不多说,度度一下: h5py入门讲解: https://blog.csdn.net/csdn15698845876/article/details/73278120
  • 我们有3个h5文件,存着不重复的图片数据,分别是:
    • train_catvnoncat.h5 (用来训练模型用的,一共有209张,其中有猫也有不是猫的图片,尺寸64*64像素)
    • test_catvnoncat.h5 (用来测试模型准确度的,一共有50张图片,,其中有猫也有不是猫的图片,尺寸64*64像素)
    • my_cat_misu.h5 (用来玩的,我家猫主子的1张照骗,尺寸64*64像素)

2. 数据结构

拿train_catvnoncat.h5举例,这个文件有2个索引:

  • train_set_x:这是一个数组,因为是209张图片,所以数组长度是209。数组中的元素是一个 64*64*3 的矩阵。64*64是图片像素尺寸,3是什么鬼?别忘了这是彩色图片,3就是代表RGB这3个颜色通道的值。
  • train_set_y:图片标签数组,长度也是209,是209张图片的标签(label),对应数组下标的值是1时,代表这张图片是喵星人,0则代表不是。

同理,test_catvnoncat.h5 中有 test_set_x 和 test_set_y;my_cat_misu.h5 中有 mycat_set_x 和 mycat_set_y

3. 告诉你怎么制作图片的h5文件,以后做cnn等模型训练时,非常有用

以我主子为例子:

原图:

自己处理成64*64的图片,当然你也可以写代码做图片处理,我懒,交给你实现了:

python代码,用到h5py库:

def save_imgs_to_h5file(h5_fname, x_label, y_label, img_paths_list, img_label_list):

 # 构造n张图片的随机矩阵

 data_imgs = np.random.rand(len(img_paths_list), 64, 64, 3).astype('int')

 label_imgs = np.random.rand(len(img_paths_list), 1).astype('int')



 # plt.imread可以把图片以多维数组形式读出来,然后我们存成 n*n*3 的矩阵

 for i in range(len(img_paths_list)):

  data_imgs[i] = np.array(plt.imread(img_paths_list[i]))

  label_imgs[i] = np.array(img_label_list[i])



 # 创建h5文件,按照指定的索引label存到文件中,完事了

 f = h5py.File(h5_fname, 'w')

 f.create_dataset(x_label, data=data_imgs)

 f.create_dataset(y_label, data=label_imgs)

 f.close()



 return data_imgs, label_imgs



 #用法

 # 图片label为1代表这是一张喵星人的图片,0代表不是

 save_imgs_to_h5file('datasets/my_cat_misu.h5', 'mycat_set_x', 'mycat_set_y', ['misu.jpg'],[1])

4. 看看我的数据源的样子

用来训练的图片集合,209张:

用来校验模型准确度的图片集合, 50张

用来玩的,主子照骗,1张:

▌四. 开车了

1. 如何设计模型:

  • 输入层:我们的图片是64*64的像素尺寸,那么算上RGB三个通道的数据,我们把三维矩阵拉成面条 64*64*3 = 12288。 也就是我们输入层的数据长度是12288。
  • 隐藏层:使用多层隐藏层,可以自行多尝试一下不同的结构。这里我使用3个隐藏层,隐藏层神经元个数分别是20,7,5
  • 输出层:我们的目标就是判断某张图片是否是猫而已,所以输出层1个神经元,输出概率大于0.5认为是猫,小于等于0.5认为不是。

【插播】:有人会想,第一层隐藏层的神经元和输入层数量一致是不是会好点?理论上是会好点,但是这涉及到MLP的一个缺陷,因为全连接情况下,这样做,第一层的权重w参数就有1228的平方个,约为1.5个亿。如果图片更大呢?参数会成指数级膨胀,后果尽情想象。

2. 如何训练模型

还用说,把209张图片的数据扔到神经网络,完成一次迭代,然后训练1万次,可自行尝试迭不同代次数观察效果。

3. 如何衡量模型的准确度

大神吴恩达(Andrew Ng)提到的方法之一,就是划分不同集合,一部分用来训练,一部分用来验证模型效果,这样可以达到衡量你所训练的模型的效果如何。所以我们训练使用209张图片,最终使用50张测试模型效果。

为了好玩,可以自己用不同图片通过模型去做分类识别。

▌五. 老规矩,甩代码

还是说明一下代码流程吧:

代码使用到的 NeuralNetwork 是我上一篇笔记的代码,实现了BP神经网络,import进来直接用即可。

代码做的事情就是:

  • 从h5文件加载图片数据
  • 把原始图片显示出来,同时也保存成图片文件
  • 训练神经网络模型
  • 验证模型准确度
  • 把识别结果标注到原始图片上,同时也保存成图片文件
#coding:utf-8

import h5py

import matplotlib.font_manager as fm

import matplotlib.pyplot as plt

import numpy as np

from NeuralNetwork import *



font = fm.FontProperties(fname='/System/Library/Fonts/STHeiti Light.ttc')



def load_Cat_dataset():

    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")

    train_set_x_orig = np.array(train_dataset["train_set_x"][:])

    train_set_y_orig = np.array(train_dataset["train_set_y"][:])



    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")

    test_set_x_orig = np.array(test_dataset["test_set_x"][:])

    test_set_y_orig = np.array(test_dataset["test_set_y"][:])



    mycat_dataset = h5py.File('datasets/my_cat_misu.h5', "r")

    mycat_set_x_orig = np.array(mycat_dataset["mycat_set_x"][:])

    mycat_set_y_orig = np.array(mycat_dataset["mycat_set_y"][:])



    classes = np.array(test_dataset["list_classes"][:])



    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))

    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))

    mycat_set_y_orig = mycat_set_y_orig.reshape((1, mycat_set_y_orig.shape[0]))



    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, mycat_set_x_orig, mycat_set_y_orig,classes





def predict_by_modle(x, y, nn):



    m = x.shape[1]

    p = np.zeros((1,m))



    output, caches = nn.forward_propagation(x)



    for i in range(0, output.shape[1]):

        if output[0,i] > 0.5:

            p[0,i] = 1

        else:

            p[0,i] = 0



    # 预测出来的结果和期望的结果比对,看看准确率多少:

    # 比如100张预测图片里有50张猫的图片,只识别出40张,那么识别率就是80%

    print(u"识别率: "  + str(np.sum((p == y)/float(m))))

    return np.array(p[0], dtype=np.int), (p==y)[0], np.sum((p == y)/float(m))*100





def save_imgs_to_h5file(h5_fname, x_label, y_label, img_paths_list, img_label_list):

    data_imgs = np.random.rand(len(img_paths_list), 64, 64, 3).astype('int')

    label_imgs = np.random.rand(len(img_paths_list), 1).astype('int')



    for i in range(len(img_paths_list)):

        data_imgs[i] = np.array(plt.imread(img_paths_list[i]))

        label_imgs[i] = np.array(img_label_list[i])



    f = h5py.File(h5_fname, 'w')

    f.create_dataset(x_label, data=data_imgs)

    f.create_dataset(y_label, data=label_imgs)

    f.close()



    return data_imgs, label_imgs



if __name__ == "__main__":

    # 图片label为1代表这是一张喵星人的图片,0代表不是

    #save_imgs_to_h5file('datasets/my_cat_misu.h5', 'mycat_set_x', 'mycat_set_y', ['misu.jpg'],[1])



    train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, mycat_set_x_orig, mycat_set_y_orig, classes = load_Cat_dataset()



    train_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T

    test_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T

    mycat_x_flatten = mycat_set_x_orig.reshape(mycat_set_x_orig.shape[0], -1).T

    train_set_x = train_x_flatten / 255.

    test_set_x = test_x_flatten / 255.

    mycat_set_x = mycat_x_flatten / 255.



    print(u"训练图片数量: %d" % len(train_set_x_orig))

    print(u"测试图片数量: %d" % len(test_set_x_orig))



    plt.figure(figsize=(10, 20))

    plt.subplots_adjust(wspace=0,hspace=0.15)

    for i in range(len(train_set_x_orig)):

        plt.subplot(21,10, i+1)

        plt.imshow(train_set_x_orig[i],interpolation='none',cmap='Reds_r',vmin=0.6,vmax=.9)

        plt.xticks([])

        plt.yticks([])

    plt.savefig("cat_pics_train.png")

    plt.show()



    plt.figure(figsize=(8, 8))

    plt.subplots_adjust(wspace=0, hspace=0.1)

    for i in range(len(test_set_x_orig)):

        ax = plt.subplot(8, 8, i + 1)

        im = ax.imshow(test_set_x_orig[i], interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9)

        plt.xticks([])

        plt.yticks([])



    plt.savefig("cat_pics_test.png")

    plt.show()



    plt.figure(figsize=(2, 2))

    plt.subplots_adjust(wspace=0, hspace=0)

    for i in range(len(mycat_set_x_orig)):

        ax = plt.subplot(1, 1, i + 1)

        im = ax.imshow(mycat_set_x_orig[i], interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9)

        plt.xticks([])

        plt.yticks([])



    plt.savefig("cat_pics_my.png")

    plt.show()



    # 用训练图片集训练模型

    layers_dims = [12288, 20, 7, 5, 1]

    nn = NeuralNetwork(layers_dims, True)

    nn.set_xy(train_set_x, train_set_y_orig)

    nn.set_num_iterations(10000)

    nn.set_learning_rate(0.0075)

    nn.training_modle()



    # 结果展示说明:

    # 【识别正确】:

    #   1.原图是猫,识别为猫  --> 原图显示

    #   2.原图不是猫,识别为不是猫 --> 降低显示亮度



    # 【识别错误】:

    #   1.原图是猫,但是识别为不是猫 --> 标红显示

    #   2.原图不是猫, 但是识别成猫 --> 标红显示



    # 训练用的图片走一遍模型,观察其识别率

    plt.figure(figsize=(10, 20))

    plt.subplots_adjust(wspace=0, hspace=0.15)



    pred_train, true, accuracy = predict_by_modle(train_set_x, train_set_y_orig, nn)



    for i in range(len(train_set_x_orig)):

        ax = plt.subplot(21, 10, i + 1)



        x_data = train_set_x_orig[i]

        if pred_train[i] == 0 and train_set_y_orig[0][i] == 0:

            x_data = x_data/5



        if true[i] == False:

            x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0])



        im = plt.imshow(x_data,interpolation='none',cmap='Reds_r',vmin=0.6,vmax=.9)



        plt.xticks([])

        plt.yticks([])



    plt.suptitle(u"Num Of Pictrues: %d\n Accuracy: %.2f%%" % (len(train_set_x_orig), accuracy), y=0.92, fontsize=20)

    plt.savefig("cat_pics_train_predict.png")

    plt.show()



    # 不属于训练图片集合的测试图片,走一遍模型,观察其识别率

    plt.figure(figsize=(8, 8))

    plt.subplots_adjust(wspace=0, hspace=0.1)



    pred_test, true, accuracy = predict_by_modle(test_set_x, test_set_y_orig, nn)



    for i in range(len(test_set_x_orig)):

        ax = plt.subplot(8, 8, i + 1)



        x_data = test_set_x_orig[i]

        if pred_test[i] == 0 and test_set_y_orig[0][i] == 0:

            x_data = x_data/5



        if true[i] == False:

            x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0])



        im = ax.imshow(x_data, interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9)



        plt.xticks([])

        plt.yticks([])



        plt.suptitle(u"Num Of Pictrues: %d\n Accuracy: %.2f%%" % (len(test_set_x_orig), accuracy), fontsize=20)

    plt.savefig("cat_pics_test_predict.png")

    plt.show()



    # 用我家主子的照骗,走一遍模型,观察其识别率,因为只有一张图片,所以识别率要么 100% 要么 0%

    plt.figure(figsize=(2, 2.6))

    plt.subplots_adjust(wspace=0, hspace=0.1)



    pred_mycat, true, accuracy = predict_by_modle(mycat_set_x, mycat_set_y_orig, nn)

    for i in range(len(mycat_set_x_orig)):

        ax = plt.subplot(1, 1, i+1)



        x_data = mycat_set_x_orig[i]

        if pred_mycat[i] == 0 and mycat_set_y_orig[0][i] == 0:

            x_data = x_data/5



        if true[i] == False:

            x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0])



        im = ax.imshow(x_data, interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9)



        plt.xticks([])

        plt.yticks([])



        if pred_mycat[i] == 1:

            plt.suptitle(u"我:'我主子是喵星人吗?'\nA I :'是滴'", fontproperties = font)

        else:

            plt.suptitle(u"我:'我主子是喵星人吗?'\nA I :'唔系~唔系~'", fontproperties = font)

    plt.savefig("cat_pics_my_predict.png")

    plt.show()

▌六.结论

1. 神经网络模型的输出结果,标注到了图片上并展示出来,规则是:

结果展示说明:

【识别正确】: 原图是猫,识别为猫 --> 原图显示 原图不是猫,识别为不是猫 --> 降低显示亮度 【识别错误】: 原图是猫,但是识别为不是猫 --> 标红显示 原图不是猫, 但是识别成猫 --> 标红显示

图片标题会显示Accuracy(准确度),准确度的计算公式是: 识别正确图片数/图片总数。

2. 模型训练完成后,把训练用的209张图片用训练好的模型识别一遍,观察结果:可以看到,迭代1w次的模型,识别训练图集,准确度是 100% 的:

3. 模型训练完成后,使用测试图集用训练好的模型识别一遍,观察结果:可以看到,迭代1w次的模型,识别训练图集,准确度只有 78%:

4. 看看模型能不能认出我主子是喵星人,看样子,它是认出来了:

▌七.对结果进一步分析,引出一系列问题

抛出一个问题:为什么用测试图集验证模型,识别率只有78%?在我尝试过改变神经网络结构设计,参数调参后,仍然无法提高识别率,为什么呢?

不算彻底的解答:

也许是我水平有限,调参姿势不对?姿势帅并不是万能的,我们应该从更深层次的原理进行分析。 有人说,你训练数据少了,好像有那么些道理。其实是可以给模型输入更多图片的特征是个不错的办法,比如旋转一下,图片内容放大缩小,挪挪位置等。但是Andrew Ng也说过,过分追求训练数据收集是一条不归路。 在同等训练数据集下,有更好的办法吗?由此引出下一个问题。

刨根问底:想要知道为什么MLP识别度难以做到很高,撇开网络结构,调参,训练数据先不谈。我们应该从MLP身上找找茬。搞清楚我们目标,是提高对图片进行分类识别,那么在使用MLP实现这个目标时,它自身是否有缺陷,导致实现这个目标遇到了困难。那么解决了这些困难,就找到了解决问题的方法。

MLP在做图片分类识别的缺陷:神经元是全连接的方式构成的神经网络,全连接情况下,假设图片是1k*1k像素大小,那么隐藏层个数和输入层尺寸一致时,不考虑RGB颜色通道,单通道下,权重w参数个数会是:

(没数错0的话)

如果图片再大点,参数膨胀到不可想象,直接导致的负面效果是:

  • 参数过多,计算量庞大
  • 全连接情况下,过深的网络容易导致梯度消失,模型难以训练

MLP全连接的情况下,无法做到图片的形变识别。怎么理解这个词呢,拿手写数字举个例子,比如写8,每个人书写习惯不一样,有的人写的很正,但有的人写歪了点,上半部分小,下半部分大,等等。这时候,MLP的缺点就显现出来了,同一张图片,旋转,或者稍微平移形变一下,它无法识别。你可以通过增加更多特征给模型,但这不是本质上的解决该问题的方法,而是对训练的优化手段。

▌八. 总结要解决的问题,离下一个坑就不远了

上面已经列举了要解决的几个问题,这里总结一下:

  • 我们要解决参数膨胀带来的计算量庞大的问题。
  • 优化参数量之后,如何在同等训练数据集不变的情况下,如何提取更多特征。
  • 在输入有一定的旋转平移伸缩时,仍能正确识别。

能解决以上问题的众所周知,就是CNN以及众多更先进的神经网络模型了。本文作为一篇引子文章,也是CNN的导火索。 代码在你手中,把第一层隐藏层设计成和输入层一样大,即 layers_dims = [12288, 12288, 20, 7, 5, 1]。还只是64*64的小图片而已,那龟速,我和我的小破笔记本都不能忍啊。这也是为什么大神们发明CNN的原因之一吧!

AI从入门到放弃,这也只是沧海一粟,你怕了吗?

原文地址: https://zhuanlan.zhihu.com/p/38826286

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2018-07-03

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ATYUN订阅号

【深度学习】AI如何用文字表达情绪——使用人工神经网络进行带情感识别的文本分类

本文将带你尝试,不使用文本复杂的矩阵转换将文本分类。本文是对3种方法的综合描述和比较,这些方法被用来对下面这些数据的文本进行分类。完整的代码可以在下面链接找到。...

53130
来自专栏IT派

干货|如何做准确率达98%的交通标志识别系统?

摘要: 我们可以创建一个能够对交通标志进行分类的模型,并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中,我将演示如何创建一个深度学习架构,这个架构...

39860
来自专栏AI研习社

使用深度学习来理解道路场景

语义分割是深度学习的方法之一,通过语义分割,我们可以对图片中的每一个像素赋予含义,即将像素划分到一个预先设定的类中。从上边的 GIF 图可以看出,我们在语义切分...

13320
来自专栏新智元

【邓侃】DeepMind 机器理解文本 NLP 技术复现与解析

【新智元导读】 本文对 DeepMind 的让计算机读懂文本、回答问题的深度学习技术进行复现与解析。文章对DeepMind的整个技术思路进行了清晰的重构:从问...

31760
来自专栏杨熹的专栏

自己写个 Prisma

Sirajology的视频链接 前一段时间特别火的 Prisma 大家都玩了么,看了这篇文章后,你也可以自己写一个 Prisma 迷你版了。 ? 这个 idea...

41050
来自专栏算法channel

机器学习|kaggle数据挖掘和求解的基本步骤

01 — 数据探索(Exploratory Data Analysis) 对数据进行探索性的分析,通常会用 pandas 来载入数据,并做一些简单的可视化来理解...

31460
来自专栏AI研习社

机器学习算法究竟需要试验多少次,才能有效反映模型性能?

编者按:本文作者 Jason Brownlee 为澳大利亚知名机器学习专家,对时间序列预测尤有心得。原文发布于其博客。AI 研习社编译。文中相关链接详见文末“阅...

28560
来自专栏大数据挖掘DT机器学习

逻辑回归之基础知识及手写数字识别实例

作者:daniel-D 原文:http://www.cnblogs.com/daniel-D/   这学期 Pattern Recognition 课程的 p...

87690
来自专栏小鹏的专栏

自己写个 Prisma

Sirajology的视频链接 前一段时间特别火的 Prisma 大家都玩了么,看了这篇文章后,你也可以自己写一个 Prisma 迷你版了。 ? 这个 i...

25150
来自专栏AI科技大本营的专栏

一文搞懂交叉熵在机器学习中的使用,透彻理解交叉熵背后的直觉

交叉熵(cross entropy)是深度学习中常用的一个概念,一般用来求目标与预测值之间的差距。以前做一些分类问题的时候,没有过多的注意,直接调用现成的库,用...

42760

扫码关注云+社区

领取腾讯云代金券