经典数据集CIFAR-10,60000张32x32彩色图像，训练集50000张，测试集10000张。标注10类，每类图片6000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。没有任何重叠。CIFAR-100,100类标注。深度学习之父 Geoffrey Hinton和学生Alex Krizhevsky、Vinod Nair收集。图片源于80 million tiny images数据集。State-of-the-art 3.5%错误率，GPU训练十几小时。详细Benchmark和排名在 。LeCun，现有卷积神经网络已经解决CIFAR-10数据集问题。
根据Alex cuda-convnet模型修改，3000个batch，每个batch 128个样本，达到73%正确率。GTX1080单显卡几十秒模型训练时间。CPU慢很多。如用100k batch 结合学习速度decay(每隔一段时间下降学习速率一个比率)，正确率可到86%。模型训练参数100万个，预测四则运算总量2000万次。对weights进行L2正则化。图片翻转、随机剪切等数据增强，制造更多样本。每个卷积-最大池化层后用LRN层，增强模型泛化能力。
下载TensorFlow Models库，使用其中提供CIFAR-10数据类。git clone 。models/tutorials/image/cifar10。
载入常用库，NumPy、time，TensorFlow Models自动下载、读取CIFAR-10数据类。
定义batch_size，训练轮数max_steps，下载CIFAR-10数据默认路径。
定义初始化weight函数，tf.truncated_normal截断正态分布初始化权重。Weight加L2 loss ,做L2 正则化。减少特征或惩罚不重要特征权重，缓解特征过多导致过拟合。正则化帮助找到该惩罚的特征权重。为使用某个特征，需付出loss代价。L1正则制造稀疏特征，大部分无用特征权重被置0。L2正则让特征权重不过大，特征权重较平均。wl控制L2 loss大小，tf.nn.l2_loss函数计算weight L2 loss，tf.multiply L2 loss 乘以wl,得最后 weight loss。tf.add_to_collection weight loss统一存在collection losses，计算神经网络总体loss使用。
用cifar10类下载数据集，解压、展开到默认位置。
用cifar10_input类 distorted_inputs函数产生训练数据，包括特征、label，返回封装tensor，每次执行生成一个batch_size数量样本。Data Augmentation(数据增强),cifar10_input.distorted_inputs函数，随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24x24图片(tf.random_crop)、设置随机亮度对比度(tf.image.random_brightness、tf.image.random_contrast)，数据标准化(tf.image.per_image_whitening，数据减均值，除方差，保证数据零均值，方差1)。获得更多样本，带噪声，一张图片样本变多张图片，扩大样本量，提高准确率。数据增强操作耗费大量CPU时间，distored_inputs用16个独立线程加速任务，函数内部产生线程池，通过TensorFlow queue调度。
用cifar10_input.inputs函数生成测试数据，裁剪图片正中间24x24大小区块，数据标准化。
创建输入数据placeholderx，特征、label。设定placeholder数据尺寸，batch_size定义网络结构要用，数据尺寸第一个值样本条数需要预先设定，不能设None。数据尺寸的图片尺寸为24x24,裁剪后大小，颜色通道数3,彩色RGB三通道。
第一个卷积层，variable_with_weight_loss 函数创建卷积核参数初始化。卷积核大小5x5,3个颜色通道，64个卷积核，设置weight初始化函数标准差0.05。wl(weight loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作，步长stride设1,padding模式SAME，bias初始化0，卷积结果加bias，用ReLU激活函数非线化。用尺寸3x3,步长2x2最大池化层处理数据，尺寸、步长不一致，增加数据丰富性。tf.nn.lrn函数，LRN，处理结果。
LRN起于Alex用CNN参加ImageNet比赛论文。LRN模仿生物神经系统侧抑制机制，对局部神经元活动创建竞争环境，响应较大值变得相对更大，抑制其他反馈较小神经元，增强模型泛化能力。用LRN后CNN Top1错误率降低1.4%。LRN对无上限边界激活函数ReLU有用，从附近多个卷积核响应(Response)挑选较大反馈，不适合固定边界能抑制过大值激活函数Sigmoid。
第二个卷积层，卷积核尺寸第三维度输入通道数64,bias值全初始化0.1。先进行LRN层处理，再用最大池化层。
全连接层，把前面两个卷积层输出结果全部flatten，tf.reshape函数把每个样本变成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数初始化全连接层weight，隐含节点384,正态分布标准差0.04，bias初始化0.1。设非零weight loss值0.04，所有参数被L2正则约束，避免过拟合。ReLU激活函数非线性化。
第二个全连接层，隐含节点192。
最后一层，先创建weight，正态分布标准差设上一隐含层节点数倒数，不计入L2正则。Softmax操作放在计算loss部分，不需要对inference输出softmax处理，就可以获得最终分类，直接比较inference输出各类数值大小。
整个卷积神经网络从输入到输出流程。设计CNN，安排卷积层、池化层、全连接层分布和顺序，超参数设置、Trick使用。卷积神经网络结构：
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果
计算CNN loss。softmax计算和cross entropy loss 计算合在一起，tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross entropy均值，tf.add_to_collection 添加cross entropy loss 到整体losses collection。tf.add_n整体losses collection 全部loss求和，得最终loss，包括cross entropy loss，和后两个连接层weight L2 loss。Logits节点、label_placeholder传入loss小孩子数，获得最终loss。
优化器选择Adam Optimizer，学习速率1e-3。
tf.nn.in_top_k函数求输出结果top k准确率，默认top 1,输出分类最高类准确率。
tf.InteractiveSession创建默认session ,初始化全部模型参数。
启动图片数据增强线程队列，16个线程加速。
训练。每个step训练过程，session run方法执行images_train、 labels_train计算，获得batch训练数据，传入train_op和loss计算。记录每个step时间，每隔10个step计算展示当前loss、每秒钟训练样本数量、训练batch数据时间，监控整个训练过程。GTX 1080,每秒训练1800个样本，batch_size 128,每个batch 0.066s。损失loss，开始4.6，3000步训练下降到1.0。
评测模型测试集准确率。测试集10000个样本，使用固定batch_size，逐个batch输入测试数据。计算全部样本评测完batch数量。每个step用session run方法获取images_test、labels_test的batch，执行top_k_op计算模型 batch top 1预测正确样本数。汇总所有预测正确结果，求全部测试样本预测正确数量。
打印准确率评测结果计算。
73%准确率。持续增加max_steps，期望准确率逐渐增加。max_steps较大，用学习速率衰减(decay)的SGD训练，接近86%。L2正则，LRN层提升模型准确率，提升框泛化性。
数据增强(Data Augmentation)，给单幅图增加多个副本，提高图片利用率，防止图片结构学习过拟合。利用图片本身性质，图片冗余信息量较大，制造不同噪声，依可识别。神经网络克服噪声准确识别，泛化性更好。深度学习只要提供足够多样本，准确率可以持续提升。 规模越大越复杂神经网络模型，可以达到准确率水平越高，需要更多数据训练。Alex cuda-convnet测试结果，CIFAR-10,不数据增强，错误最低下降到17%，数据增强，错误率下降到11%。
import cifar10,cifar10_input
import tensorflow as tf
import numpy as np
import time
max_steps = 3000
batch_size = 128
data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
def variable_with_weight_loss(shape, stddev, wl):
var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))
if wl is not None:
weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')
tf.add_to_collection('losses', weight_loss)
return var
def loss(logits, labels):
labels = tf.cast(labels, tf.int64)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=logits, labels=labels, name='cross_entropy_per_example')
cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')
tf.add_to_collection('losses', cross_entropy_mean)
return tf.add_n(tf.get_collection('losses'), name='total_loss')
###
cifar10.maybe_download_and_extract()
images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,
batch_size=batch_size)
images_test, labels_test = cifar10_input.inputs(eval_data=True,
data_dir=data_dir,
batch_size=batch_size)
#images_train, labels_train = cifar10.distorted_inputs()
#images_test, labels_test = cifar10.inputs(eval_data=True)
image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
label_holder = tf.placeholder(tf.int32, [batch_size])
#logits = inference(image_holder)
weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
padding='SAME')
norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
padding='SAME')
reshape = tf.reshape(pool2, [batch_size, -1])
dim = reshape.get_shape()[1].value
weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)
weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
bias4 = tf.Variable(tf.constant(0.1, shape=[192]))
local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)
weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
logits = tf.add(tf.matmul(local4, weight5), bias5)
loss = loss(logits, label_holder)
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72
top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
tf.train.start_queue_runners()
###
for step in range(max_steps):
start_time = time.time()
image_batch,label_batch = sess.run([images_train,labels_train])
_, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch,
label_holder:label_batch})
duration = time.time() - start_time
if step % 10 == 0:
examples_per_sec = batch_size / duration
sec_per_batch = float(duration)
format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')
print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))
###
num_examples = 10000
import math
num_iter = int(math.ceil(num_examples / batch_size))
true_count = 0
total_sample_count = num_iter * batch_size
step = 0
while step < num_iter:
image_batch,label_batch = sess.run([images_test,labels_test])
predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,
label_holder:label_batch})
true_count += np.sum(predictions)
step += 1
precision = true_count / total_sample_count
print('precision @ 1 = %.3f' % precision)
参考资料：
《TensorFlow实战》
欢迎付费咨询(150元每小时)，我的微信：qingxingfengzi
阅读(799) | 评论(0) | 转发(0) |
