人工智能-实验四

第四次实验

一.实验目的

​ 了解深度学习的基本原理。能够使用深度学习开源工具。学习使用深度学习算法求解实际问题。

二.实验原理

1.深度学习概述

​ 深度学习源于人工神经网络，本质是构建多层隐藏层的人工神经网络，通过卷积，池化，误差反向传播等手段，进行特征学习，提高分类或预测的准确性。深度学习通过增加网络的深度，减小每层需要拟合的特征个数，逐层提取底层到高层的信息，达到更好的预测和分类性能。强调模型结构的深度，通常有5层以上的隐藏层。

​ 神经元是深度学习模型中的基本单位，对相邻前向神经元输入信息进行加权累加，再加上一个偏差值，对结果进行非线性变换，输出最终的结果。常用的非线性变换激活函数有Sigmoid，Tanh，ReLU，Softmax。

​ 深度学习的神经网络中有多层，每一层都包含一些神经元，不同层次之间神经元的连接关系构成了不同的神经网络。每一层每个神经元都有不同的权重和偏差值，这些都是神经网络的参数。通过训练对参数进行调整，最终得到具有高分类和预测准确性的神经网络。参数优化的算法涉及梯度下降，误差反向传播等。

梯度下降

​ 梯度下降算法是使损失函数最小化的方法。在多元函数中，梯度是对每一变量所求偏导数所组成的向量。梯度的反方向是函数值下降最快的方向。梯度下降算法用于最小化损失函数，找到使损失函数下降最快的方向进行参数调优。

误差反向传播

​ 误差反向传播是损失函数对于参数的梯度通过网络反向流动的过程。

​ 为了使损失函数减小，求损失函数相对于参数w1的偏导，按照损失函数梯度的反方向选取一个增量，调整w1的权值，就能够保证损失函数取值减少。参数w1不是直接在损失函数中直接出现的，需要通过链式求导得到对w1的偏导：
$$\frac{dL}{dw1}=\frac{dL}{dO}\frac{dO}{dX}\frac{dX}{dw1}$$
​ 按照顺序，分别为损失函数对输出的偏导(和损失函数的定义有关)，对激活函数的偏导，最后一个是对加权累加函数的求导(w1*out1+w2*out2+w3*out3，求导结果为out1)。三者累乘就是损失函数对某个参数的偏导。每个神经元都据此对参数进行更新，在这个过程中，误差也从输出端向输入端逐层传播。并且误差传播的路径有多条时，误差反向传播时神经元也会从多个方向得到误差并进行参数调整。

2.卷积神经网络CNN

​ 卷积神经网络CNN是人工神经网络的一种，常用于图像识别。卷积神经网络是识别二维形状的一个多层感知器，对于平移，比例缩放，旋转，或者其他形式的变相具有一定的不变性。

​ 卷积神经网络的核心思想是将局部感知，权值共享以及下采样这三种结构结合，达到图像降维的特征学习。卷积神经网络通常有多个卷积，池化隐藏层，进行特征的提取和降维。

卷积

​ 卷积是通过一个带权滑动窗口(称为卷积核)，在图像上从左到右，从上到下扫描。将窗口值与图像被覆盖的部分进行矩阵内积。最终计算后的结果称为特征图。特征图体现了每个卷积核大小的部分与卷积核的相似程度。卷积在提取特征时考虑到特征只占图像的一小部分，并且同样的特征可能出现在不同图像的不同位置。卷积核的值是通过对模型的训练得到的。

池化

​ 池化的目的是降低特征维度，方式是对不同位置的特征进行聚合统计。聚合的方法有多种，包括平均池化和最大池化等。

全连接层

​ 卷积神经网络上下层之间采用局部连接的方式构建网络，模拟了神经细胞只对局部区域有响应的现象。但在卷积和池化后，通常通过全连接层得到最终的结果。全连接神经网络是指对于n层和n-1层，n-1层的任意一个节点，都和第n层所有节点连接。

卷积神经网络

​ 将卷积层、池化层、全连接网络进行组合，就能得到完整的卷积神经网络。通常卷积和池化会有许多层，进行特征的低层次到高层次的提取，最后通过一个全连接神经网络来进行分类。

3.循环神经网络RNN

​ 循环神经网络通常用于自然语言处理。语言处理的特点是存在上下文的关联，因此神经网络必须要建立时序上的关系。RNN神经网络中，每个神经元既有当前得到输入，也接收之前的输出，通过共同作用来计算输出结果。通常使用循环神经网络来提取特征，最后通过全连接层实现目标输出。

三.实验内容

​ Keras是一个深度学习框架，封装了许多高层的神经网络模块，包括全连接层、卷积层等。本实验中的内容都是基于Keras实现的。

1.Keras构建CNN/RNN

构建CNN

​ Keras提供了一些简易的接口，能够快速构建卷积神经网络。步骤如下：

• 实例化Sequential对象(模型)
• 向模型中逐个添加层，对于CNN来说，要添加卷积层、池化层、全连接层等
• 编译模型，指定损失函数，参数的更新方法等
• 使用fit函数传入训练集进行训练，设定训练迭代次数和batch数量
• 使用训练好的模型进行预测

​ 创建一个模型的示例如下：

    model = keras.Sequential()
    model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Conv2D(32, kernel_size=3, activation='relu'))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(96, activation='relu'))
    model.add(Dense(2, activation='softmax'))

​ 该模型包含两个卷积层，每个卷积层后有一个池化层，然后连接了一个扁平层，扁平层的作用是将多维的输入一维化，用在从卷积层到全连接层的过渡，最后连接了两个全连接层，输出结果。

​ 该模型的结果是一个两位的向量。这个模型是用于分类问题的，由于图像共有两类，因此最后有两个值，这两个值就是图像属于其中一类的概率，选择概率大的作为分类的结果。在训练时的目标输出也要转换为这种形式，称为onehot编码，将分类值映射到整数值，将整数值表示为二进制向量，然后进行训练。

构建RNN

​ 类似于构建CNN，Keras构建RNN的过程也很简单：

model = Sequential()
# 对输入的影评进行word embedding，一般对于自然语言处理问题需要进行word embedding
model.add(Embedding(1000, 64))
# 构建一层有40个神经元的RNN层
model.add(SimpleRNN(40))
# 将RNN层的输出接到只有一个神经元全连接层
model.add(Dense(1, activation='sigmoid'))

​ 其中有一层Embedding层，这个层实现语义空间到向量空间的映射，把每个词语都转换为固定维数的向量，并且使语义接近的两个词转化为向量后，这两个向量的相似度也高。

2.基于Keras的人脸识别

​ 实验使用的数据集由多张灰度图像组成，分辨率为284*286，标记为BioID_xxxx.pgm，平台以转换为JPG格式，xxxx为索引。共有16类人物，用字母A-V来表示。每个人物有20-50个样本。

读入数据

​ 要构建一个图像分类的模型，图像的信息要分为两部分，一部分是图像本身的像素信息，另一类是图片的类别信息。使用OpenCv读入的图像信息是以BGR顺序读取的，需要转成RGB，并且要将图片裁剪成统一的大小。

​ 加载图片：

def load_pictures():
    pics = []
    labels = []
    for key, v in map_characters.items():
        pictures = [k for k in glob.glob(imgsPath + "/" + v + "/*")]
        for pic in pictures:
            img = cv2.imread(pic)
            img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
            img = cv2.resize(img, (img_width, img_height))
            pics.append(img)
            labels.append(key)
    return np.array(pics), np.array(labels)

​ 其中map_characters存储了人物类别到数值的映射，A-V映射到0-15，作为图像的类别label信息。这个信息还需要转换为OneHot编码，在划分训练集和验证集时完成。

​ 划分训练集和测试集，测试集比例为0.15。

def get_dataset():
    X, Y = load_pictures()
    Y = keras.utils.to_categorical(Y, num_classes)	#转为OneHot编码
    X_train, X_test = train_test_split(X, test_size=0.15)
    y_train, y_test = train_test_split(Y, test_size=0.15)
    return X_train, X_test, y_train, y_test

构建模型

​ 实验构建的CNN模型有6个带有ReLU激活函数的卷积层和一个全连接的隐藏层，每两层卷积层后有池化层来减少参数，并有Dropout层来防止过拟合，将池化层的部分输出舍弃。最终的输出层输出图像属于各个类别的概率。

def create_model_six_conv(input_shape):
    # ********** Begin *********#
    model = Sequential()
    model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
    #特征提取
    model.add(Conv2D(32, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
    #特征提取
    model.add(Conv2D(64, (3, 3),  activation='relu'))
    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
    #特征提取
    model.add(Conv2D(128, (3, 3), activation='relu'))
    model.add(Conv2D(128, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
    #经过扁平层和全连接层，最终在输出层输出结果
    model.add(Flatten())						#扁平层进行降维
    model.add(Dense(1024, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(num_classes, activation='softmax'))
    return model;

模型训练

​ 开始模型训练前需要设定一些参数。主要有以下部分：

• 优化器：模型使用随机梯度下降算法进行训练，优化器的相关参数有：
  • 学习率lr：梯度下降法中调整参数的参数
  • decay：大或等于0的浮点数，每次更新后的学习率衰减值
  • nesterov：布尔值，确定是否使用Nesterov动量(动量方法可以在加速学习（加快梯度下降的速度），特别是处理高曲率、小但一致的梯度，或是带噪声的梯度。动量算法累积了之前梯度指数级衰减的移动平均，并且继续沿该方向移动。)。测试时发现如果不使用的话，在有限的训练时间内无法得到准确率足够高的模型。
  • momentum：大或等于0的浮点数，动量参数
• loss：损失函数，对于分类问题，可以采用交叉熵损失函数(categorical_crossentropy)
• metrics：性能指标，采用准确率
• batch_size：一次训练采用的样本数据数量
• epochs：训练轮次

​ 在训练过程中，可以随着训练循环次数的增加，对权重调整的学习率进行衰减。可以在保持一个恒定学习速率一段时间后立即降低，借助callbacks模块的一个方法 LearningRateScheduler$${}^{[1]}$$实现：

def lr_schedule(epoch):
    initial_lrate = 0.01
	drop = 0.5
	epochs_drop = 10.0
	lrate = initial_lrate * math.pow(drop, math.floor((1+epoch)/epochs_drop))
	return lrate

​ 此外，在测试时为了保证长时间的训练可以中途保存，使用callbacks模块的保存点来存储模型的权重，保存最好的模型。

lr = 0.01
sgd = SGD(lr=lr, decay=0.0 , momentum=0.9 , nesterov= True)
model.compile(loss= 'categorical_crossentropy' ,
         optimizer= sgd,
         metrics=['accuracy'] )

def lr_schedule(epoch):
    lr = 0.01
	drop = 0.5
	epochs_drop = 10.0
	lrate = lr * math.pow(drop, math.floor((1+epoch)/epochs_drop))
	return lrate

batch_size = 32
epochs = 20

filepath = "model.h5"

history = model.fit(X_train, y_train,  
    batch_size=batch_size,  
    epochs=epochs,  
    validation_data=(X_test, y_test),  
    shuffle=True,  						#打乱数据集
    verbose = 0,  
    callbacks=[LearningRateScheduler(lr_schedule),  
        ModelCheckpoint(filepath, save_best_only=True)])  

验证与评估

​ 有了训练好的模型后，就可以进行模型的测试，测试数据的读入和训练时读入数据类似，包含图像的像素信息和label，并将label转换为onehot编码。

imgsPath = "/opt/test/"
def load_test_set(path):
    pics, labels = [], []
    map_characters = {
    
    0: 'A', 1: 'C', 2: 'D',
        3: 'F', 4: 'G', 5: 'H', 6: 'I',
        7: 'J', 8: 'K', 9: 'L', 10:'M',
        11:'P', 12:'R', 13:'S', 14:'T', 15:'V'}
    num_classes = len(map_characters)
    img_width = 42
    img_height = 42
    map_characters = {
    
    v:k for k,v in map_characters.items()}
    for pic in glob.glob(path+'*.*'): 
        name = "".join(os.path.basename(pic).split('_')[0]) 
        if name in map_characters:  
            img = cv2.imread(pic)  
            img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  
            img = cv2.resize(img, (img_height,img_width)).astype('float32') / 255.  
            pics.append(img)  
            labels.append(map_characters[name])
    X_test = np.array(pics)  
    y_test = np.array(labels)  
    y_test = keras.utils.to_categorical(y_test, num_classes) # one-hot编码  
    return X_test, y_test

​ 载入测试数据后，载入训练好的模型，使用模型对测试数据进行分类，并将分类结果与正确的类别进行比较，计算模型测试的准确率。

def acc():  
    model = load_model("model.h5")
    # 预测与对比  
    y_pred = model.predict_classes(X_valtest)  
    acc = np.sum(y_pred==np.argmax(y_valtest, axis=1))/np.size(y_pred)  
    return(acc)

3.思考题-深度学习算法参数的设置对算法性能的影响

​ 深度学习中的超参数是控制模型结构、训练效率、训练效果的关键。常见的超参数及对模型训练的影响如下：

• 学习率(Learning rate)：决定在优化算法中更新参数权重的幅度。学习率可以是恒定的，逐渐降低的，基于动量的等$${}^{[2]}$$。学习率的值应该设定在合适的范围内，过小会降低收敛速度，增加训练时间，过大则可能导致参数在最优解两侧振荡。学习率可以进行动态调整，一般在开始时较大，随着迭代次数的增加减小学习率，提高稳定性

• 迭代次数(Epoch)：训练次数，次数少则训练效果可能不够好，次数过多可能导致过拟合

• 一次训练选取的样本数(Batch size)：影响训练时间，过小则可能存在梯度振荡，过大则梯度准确，收敛快但容易陷入局部最优

• 优化器：常见的有SGD(随机梯度下降)，Adagrad(自适应梯度下降，不同参数学习率不同$${}^{[3]}$$)等

• 激活函数：增加神经网络模型的非线性，要根据具体问题选择合适的激活函数。

• 损失函数：影响收敛速度和模型整体性能。回归模型常用的损失函数有均方损失函数MSE，平滑L1损失Huber，平均绝对误差MAE，分类问题常用交叉熵损失函数。

参考资料

[1] TEAM K. Keras documentation: LearningRateScheduler[EB/OL]//keras.io. https://keras.io/api/callbacks/learning_rate_scheduler/.

[2]深度学习中的超参数，以及对模型训练的影响_rnn模型超参数的影响_weixin_41783077的博客-CSDN博客[EB/OL]//blog.csdn.net. [2023-05-28]. https://blog.csdn.net/weixin_41783077/article/details/104022476.

[3]深度学习中的超参数调节（learning rate、epochs、batch-size…）[EB/OL]//知乎专栏. [2023-05-28]. https://zhuanlan.zhihu.com/p/433836153.
ng_rate_scheduler/.

[2]深度学习中的超参数，以及对模型训练的影响_rnn模型超参数的影响_weixin_41783077的博客-CSDN博客[EB/OL]//blog.csdn.net. [2023-05-28]. https://blog.csdn.net/weixin_41783077/article/details/104022476.

[3]深度学习中的超参数调节（learning rate、epochs、batch-size…）[EB/OL]//知乎专栏. [2023-05-28]. https://zhuanlan.zhihu.com/p/433836153.