一个简单的第三方CNN自编码matlab工具箱

使用到的是手写体数据库，该数据库已经集成到工具箱了，直接用就好，显示看一看该数据库的一部分，其目标就是通过训练该数据库达到识别的目的： 

紧接着是对该数据库数据进行归一化等等预处理。nnsetup建立一个网络，里面会有许多参数初始化，同时在设置下opts.numepochs = 1; 该参数个人感觉就是将所有数据重复试验次数，设置1就是实验一次。opts.batchsize = 100;该参数是将大量样本每随机100个作为一波送进去实验。再就是训练测试了。

nnsetup：

function nn = nnsetup(architecture)
%NNSETUP创建前向神经网络
% nn = nnsetup(architecture) 返回一个神经网络结构，architecture为结构参数
% architecture 是一个n x 1 向量，表示每一层神经元的个数
%比如architecture=[784 100 10]，表示输入层为784维输入，100个隐含层，10个输出层
%为什么是输入为784：因为每一个手写体大小为28*28的，也就是784维度
%隐含层为什么是100：随便设置的，可以随意修改，需要设计
%输出为什么是10：手写体有0-9这10种结果，所以为10
 
    nn.size   = architecture;
    nn.n      = numel(nn.size);
 
    nn.activation_function              = 'tanh_opt';   % 隐含层激活函数: 'sigm' (sigmoid) or 'tanh_opt' (默认 tanh).
    nn.learningRate                     = 2;            %  学习率: typically needs to be lower when using 'sigm' activation function and non-normalized inputs.
    nn.momentum                         = 0.5;          %  Momentum 权值动量因子
    nn.scaling_learningRate             = 1;            %  学习率变化因子 (each epoch)
    nn.weightPenaltyL2                  = 0;            %  L2 regularization正则化
    nn.nonSparsityPenalty               = 0;            %  非稀疏惩罚
    nn.sparsityTarget                   = 0.05;         %  稀疏目标值
    nn.inputZeroMaskedFraction          = 0;            %  自动编码的去噪作用
    nn.dropoutFraction                  = 0;            %  Dropout level (http://www.cs.toronto.edu/~hinton/absps/dropout.pdf)
    nn.testing                          = 0;            %  Internal variable. nntest sets this to one.
    nn.output                           = 'sigm';       %  输出激活output unit 'sigm' (=logistic), 'softmax' and 'linear'
 
    for i = 2 : nn.n   
        % weights and weight momentum
        nn.W{i - 1} = (rand(nn.size(i), nn.size(i - 1)+1) - 0.5) * 2 * 4 * sqrt(6 / (nn.size(i) + nn.size(i - 1)));
        nn.vW{i - 1} = zeros(size(nn.W{i - 1}));
 
        % average activations (for use with sparsity)
        nn.p{i}     = zeros(1, nn.size(i));   
    end
end

 

这个函数理解起来很简单，初始化网络，网络需要什么初始化什么，一大堆初始化是适应所有的网络的（cnn,dbn等等），有些用到了再说吧，现在你只需要知道网络的结构，以及与稀疏编码表示有关的参数： nn.nonSparsityPenalty ，nn.sparsityTarget，这也就是上节说到的，为什么稀疏表示，具体怎么样不用管，实际使用的时候只是这么几个参数设置，其他的交给程序吧。再有就是注意下激活函数 nn.activation_function。，然后网络权值随机初始化。

 

这里再说下这个函数整体：[nn, L] = nntrain(nn, train_x, train_y, opts);

可以看到nntrain需要的是设计的网络nn，训练数据train_x，训练对应的目标值train_y，以及附加参数opts。附加参数包括：重复训练次数opts.numepochs，训练数据每一块大小opts.batchsize等等。函数出来的就是训练好的网络nn,这个很重要，训练好的nn为结构体，里面包括你所需要的所有信息，比如说每一层网络的权值系数，训练误差，等等都可以找到，并且在nntest也是用这个训练好的nn。nntrain的具体实现细节见上面那个博客的介绍吧。

nntrain

setup大概就这样一个过程，下面就到了train了，打开\NN\nntrain.m

我们跳过那些检验传入数据是否正确的代码，直接到关键的部分

denoising 的部分请参考论文：Extracting and Composing Robust Features with Denoising Autoencoders

m = size(train_x, 1);  
//m是训练样本的数量  
//注意在调用的时候我们设置了opt，batchsize是做batch gradient时候的大小  
batchsize = opts.batchsize; numepochs = opts.numepochs;  
numbatches = m / batchsize;  //计算batch的数量,训练样本的总个数除以一个batch的                                size,得到batch的总数目  
assert(rem(numbatches, 1) == 0, 'numbatches must be a integer');//即上一步                                            对总数据进行分组，组数应是一个整数
L = zeros(numepochs*numbatches,1);  
n = 1;  
//numepochs是循环的次数  
for i = 1 : numepochs  
    tic;  // tic用来保存当前时间，而后使用toc来记录程序完成时间。
    kk = randperm(m);  
    //把batches打乱顺序进行训练，randperm(m)功能是随机打乱一个数字序列,生成一个       乱序的1到m的数组。例如 randperm(5)，ans = 2 3 4 1 5
  
    for l = 1 : numbatches  
        batch_x = train_x(kk((l - 1) * batchsize + 1 : l * batchsize), :);  
        //Add noise to input (for use in denoising autoencoder)  
        //加入noise，这是denoising autoencoder需要使用到的部分  
        //这部分请参见《Extracting and Composing Robust Features with Denoising Autoencoders》这篇论文  
        //具体加入的方法就是把训练样例中的一些数据调整变为0，inputZeroMaskedFraction表示了调整的比例  
        if(nn.inputZeroMaskedFraction ~= 0)  
            batch_x = batch_x*
(rand(size(batch_x))>nn.inputZeroMaskedFraction);  
        end  
        batch_y = train_y(kk((l - 1) * batchsize + 1 : l * batchsize), :);  
        //这三个函数  
        //nnff是进行前向传播，nnbp是后向传播，nnapplygrads是进行梯度下降  
        //我们在下面分析这些函数的代码  
        nn = nnff(nn, batch_x, batch_y);  
        nn = nnbp(nn);  
        nn = nnapplygrads(nn);  
        L(n) = nn.L;  
        n = n + 1;  
    end  
      
    t = toc;  
    if ishandle(fhandle)  
        if opts.validation == 1  
            loss = nneval(nn, loss, train_x, train_y, val_x, val_y);  
        else  
            loss = nneval(nn, loss, train_x, train_y);  
        end  
        nnupdatefigures(nn, fhandle, loss, opts, i);  
    end  
          
    disp(['epoch ' num2str(i) '/' num2str(opts.numepochs) '. Took ' num2str(t) ' seconds' '. Mean squared error on training set is ' num2str(mean(L((n-numbatches):(n-1))))]);  
    nn.learningRate = nn.learningRate * nn.scaling_learningRate;  
end  

下面分析三个函数nnff,nnbp和nnapplygrads

nnff

nnff就是进行feedforward pass，其实非常简单，就是整个网络正向跑一次就可以了

当然其中有dropout和sparsity的计算

具体的参见论文“Improving Neural Networks with Dropout“和Autoencoders and Sparsity

 

function nn = nnff(nn, x, y)  
//NNFF performs a feedforward pass  
// nn = nnff(nn, x, y) returns an neural network structure with updated  
// layer activations, error and loss (nn.a, nn.e and nn.L)  
  
    n = nn.n;  
    m = size(x, 1);  
      
    x = [ones(m,1) x];  
    nn.a{1} = x;  
  
    //feedforward pass  
    for i = 2 : n-1  
        //根据选择的激活函数不同进行正向传播计算  
        //你可以回过头去看nnsetup里面的第一个参数activation_function  
        //sigm就是sigmoid函数,tanh_opt就是tanh的函数，这个toolbox好像有一点改变  
        //tanh_opt是1.7159*tanh(2/3.*A)  
        switch nn.activation_function   
            case 'sigm'  
                // Calculate the unit's outputs (including the bias term)  
                nn.a{i} = sigm(nn.a{i - 1} * nn.W{i - 1}');  
            case 'tanh_opt'  
                nn.a{i} = tanh_opt(nn.a{i - 1} * nn.W{i - 1}');  
        end  
          
        //dropout的计算部分部分 dropoutFraction 是nnsetup中可以设置的一个参数  
        if(nn.dropoutFraction > 0)  
            if(nn.testing)  
                nn.a{i} = nn.a{i}.*(1 - nn.dropoutFraction);  
            else  
                nn.dropOutMask{i} = (rand(size(nn.a{i}))>nn.dropoutFraction);  
                nn.a{i} = nn.a{i}.*nn.dropOutMask{i};  
            end  
        end  
        //计算sparsity，nonSparsityPenalty 是对没达到sparsitytarget的参数的惩罚系数  
        //calculate running exponential activations for use with sparsity  
        if(nn.nonSparsityPenalty>0)  
            nn.p{i} = 0.99 * nn.p{i} + 0.01 * mean(nn.a{i}, 1);  
        end  
          
        //Add the bias term  
        nn.a{i} = [ones(m,1) nn.a{i}];  
    end  
    switch nn.output   
        case 'sigm'  
            nn.a{n} = sigm(nn.a{n - 1} * nn.W{n - 1}');  
        case 'linear'  
            nn.a{n} = nn.a{n - 1} * nn.W{n - 1}';  
        case 'softmax'  
            nn.a{n} = nn.a{n - 1} * nn.W{n - 1}';//这里的n就是循环n-1里时那个具体的数，代表最后一层输出层（不参与循环）  
            nn.a{n} = exp(bsxfun(@minus, nn.a{n}, max(nn.a{n},[],2))); 
//max这种表达的意思比较并取每一行的最大值，结果为列向量。
            nn.a{n} = bsxfun(@rdivide, nn.a{n}, sum(nn.a{n}, 2));   
     // bsxfun代表高效运算，指两个数组间元素逐个计算的二值操作，@rdivide 这里指左除；@minus是减法
 
    end  
    //error and loss 

    //计算error  
    nn.e = y - nn.a{n};  
    //计算计算loss 函数  
    switch nn.output  
        case {'sigm', 'linear'}  
            nn.L = 1/2 * sum(sum(nn.e .^ 2)) / m;   
        case 'softmax'  
            nn.L = -sum(sum(y .* log(nn.a{n}))) / m;  
    end  
end  

nnbp

代码：\NN\nnbp.m

nnbp呢是进行back propagation的过程，过程还是比较中规中矩，和ufldl中的Neural Network讲的基本一致

值得注意的还是dropout和sparsity的部分

if(nn.nonSparsityPenalty>0)  
    pi = repmat(nn.p{i}, size(nn.a{i}, 1), 1);  
    sparsityError = [zeros(size(nn.a{i},1),1) nn.nonSparsityPenalty * (-nn.sparsityTarget ./ pi + (1 - nn.sparsityTarget) ./ (1 - pi))];  
end  
  
// Backpropagate first derivatives  
if i+1==n % in this case in d{n} there is not the bias term to be removed               
    d{i} = (d{i + 1} * nn.W{i} + sparsityError) .* d_act; // Bishop (5.56)  
else // in this case in d{i} the bias term has to be removed  
    d{i} = (d{i + 1}(:,2:end) * nn.W{i} + sparsityError) .* d_act;  
end  
  
if(nn.dropoutFraction>0)  
    d{i} = d{i} .* [ones(size(d{i},1),1) nn.dropOutMask{i}];  
end  

这只是实现的内容，代码中的d{i}就是这一层的delta值，在ufldl中有讲的

dW{i}基本就是计算的gradient了，只是后面还要加入一些东西，进行一些修改

具体原理参见论文“Improving Neural Networks with Dropout“ 以及 Autoencoders and Sparsity的内容

nnapplygrads

代码文件：\NN\nnapplygrads.m

for i = 1 : (nn.n - 1)  
    if(nn.weightPenaltyL2>0)  
        dW = nn.dW{i} + nn.weightPenaltyL2 * nn.W{i};  
    else  
        dW = nn.dW{i};  
    end  
      
    dW = nn.learningRate * dW;  
      
    if(nn.momentum>0)  
        nn.vW{i} = nn.momentum*nn.vW{i} + dW;  
        dW = nn.vW{i};  
    end  
          
    nn.W{i} = nn.W{i} - dW;  
end  

这个内容就简单了，nn.weightPenaltyL2 是weight decay的部分，也是nnsetup时可以设置的一个参数

有的话就加入weight Penalty，防止过拟合，然后再根据momentum的大小调整一下，最后改变nn.W{i}即可

nntest

Ok再来看看nntest，如下：

function [ri, right] = nntest(nn, x, y)
    labels = nnpredict(nn, x);
    [~, expected] = max(y,[],2);
    right = find(labels == expected);    
    ri = numel(right) / size(x, 1);
end

 调用一下nnpredict。函数需要的就是测试数据x和标签y，如果有y的话那么可以计算准确率，如果没有y的话那么你可以自己直接调用 labels = nnpredict(nn, x)可以得到预测的标签。

nnpredict

代码文件：\NN\nnpredict.m

[cpp]  view plain  copy

1. function labels = nnpredict(nn, x)  
2.     nn.testing = 1;  
3.     nn = nnff(nn, x, zeros(size(x,1), nn.size(end)));  
4.     nn.testing = 0;  
5.       
6.     [~, i] = max(nn.a{end},[],2);  
7.     labels = i;  
8. end  

继续非常简单，predict不过是nnff一次，得到最后的output~~

max(nn.a{end},[],2); 是返回每一行的最大值以及所在的列数，所以labels返回的就是标号啦

(这个test好像是专门用来test 分类问题的，我们知道nnff得到最后的值即可)