【深度学习】Cifar-10-探究不同的改进策略对分类准确率提高
cifar10數(shù)據(jù)集上進行圖片分類，基于tensorflow框架，
旨在探究不同的改進策略對分類準確率的影響，如何一步步得提高準確率?
?
一、問題描述
當我們在處理圖像識別或者圖像分類或者其他機器學習任務的時候，我們總是迷茫于做出哪些改進能夠提升模型的性能（識別率、分類準確率）。。。或者說我們在漫長而苦惱的調(diào)參過程中到底調(diào)的是哪些參數(shù)。。。所以，我花了一部分時間在公開數(shù)據(jù)集CIFAR-10 [1] 上進行探索，來總結(jié)出一套方法能夠快速高效并且有目的性地進行網(wǎng)絡訓練和參數(shù)調(diào)整。
CIFAR-10數(shù)據(jù)集有60000張圖片，每張圖片均為分辨率為32*32的彩色圖片（分為RGB3個信道）。CIFAR-10的分類任務是將每張圖片分成青蛙、卡車、飛機等10個類別中的一個類別。本文主要使用基于卷積神經(jīng)網(wǎng)絡的方法（CNN）來設計模型，完成分類任務。
首先，為了能夠在訓練網(wǎng)絡的同時能夠檢測網(wǎng)絡的性能，我對數(shù)據(jù)集進行了訓練集/驗證集/測試集的劃分。訓練集主要用戶進行模型訓練，驗證集主要進行參數(shù)調(diào)整，測試集主要進行模型性能的評估。因此，我將60000個樣本的數(shù)據(jù)集分成了，45000個樣本作為訓練集，5000個樣本作為驗證集，10000個樣本作為測試集。接下來，我們一步步來分析，如果進行模型設計和改進。
?
二、搭建最簡單版本的CNN
對于任何的機器學習問題，我們一上來肯定是采用最簡單的模型，一方面能夠快速地run一個模型，以了解這個任務的難度，另一方面能夠有一個baseline版本的模型，利于進行對比實驗。所以，我按照以往經(jīng)驗和網(wǎng)友的推薦，設計了以下的模型。
模型的輸入數(shù)據(jù)是網(wǎng)絡的輸入是一個4維tensor，尺寸為(128, 32, 32, 3)，分別表示一批圖片的個數(shù)128、圖片的寬的像素點個數(shù)32、高的像素點個數(shù)32和信道個數(shù)3。首先使用多個卷積神經(jīng)網(wǎng)絡層進行圖像的特征提取，卷積神經(jīng)網(wǎng)絡層的計算過程如下步驟：
參數(shù)初始化，所有權(quán)重矩陣使用random_normal(0.0, 0.001)，所有偏置向量使用constant(0.0)。使用cross entropy作為目標函數(shù)，使用Adam梯度下降法進行參數(shù)更新，學習率設為固定值0.001。
該網(wǎng)絡是一個有三層卷積層的神經(jīng)網(wǎng)絡，能夠快速地完成圖像地特征提取。全連接層用于將圖像特征整合成分類特征，分類層用于分類。cross entropy也是最常用的目標函數(shù)之一，分類任務使用cross entropy作為目標函數(shù)非常適合。Adam梯度下降法也是現(xiàn)在非常流行的梯度下降法的改進方法之一，學習率過大會導致模型難以找到較優(yōu)解，設置過小則會降低模型訓練效率，因此選擇適中的0.001。這樣，我們最基礎(chǔ)版本的CNN模型就已經(jīng)搭建好了，接下來進行訓練和測試以觀察結(jié)果。
訓練5000輪，觀察到loss變化曲線、訓練集準確率變化曲線和驗證集準確率變化曲線如下圖。測試集準確率為69.36%。
結(jié)果分析：首先我們觀察訓練loss（目標函數(shù)值）變化，剛開始loss從200不斷減小到接近0，但是在100輪左右開始出現(xiàn)震蕩，并且隨著訓練幅度越來越大，說明模型不穩(wěn)定。然后觀察訓練集和驗證集的準確率，發(fā)現(xiàn)訓練集準確率接近于1，驗證集準確率穩(wěn)定在70%左右，說明模型的泛化能力不強并且出現(xiàn)了過擬合情況。最后評估測試集，發(fā)現(xiàn)準確率為69.36%，也沒有達到很滿意的程度，說明我們對模型需要進行很大的改進，接下來進行漫長的調(diào)參之旅吧！
?
三、數(shù)據(jù)增強有很大的作用
使用數(shù)據(jù)增強技術(shù)（data augmentation），主要是在訓練數(shù)據(jù)上增加微小的擾動或者變化，一方面可以增加訓練數(shù)據(jù)，從而提升模型的泛化能力，另一方面可以增加噪聲數(shù)據(jù)，從而增強模型的魯棒性。主要的數(shù)據(jù)增強方法有：翻轉(zhuǎn)變換 flip、隨機修剪（random crop）、色彩抖動（color jittering）、平移變換（shift）、尺度變換（scale）、對比度變換（contrast）、噪聲擾動（noise）、旋轉(zhuǎn)變換/反射變換 （rotation/reflection）等，可以參考Keras的官方文檔 [2] 。獲取一個batch的訓練數(shù)據(jù)，進行數(shù)據(jù)增強步驟之后再送入網(wǎng)絡進行訓練。
我主要做的數(shù)據(jù)增強操作有如下方面：
為了進行對比實驗，觀測不同數(shù)據(jù)增強方法的性能，實驗1只進行圖像切割，實驗2只進行圖像翻轉(zhuǎn)，實驗3只進行圖像白化，實驗4同時進行這三種數(shù)據(jù)增強方法，同樣訓練5000輪，觀察到loss變化曲線、訓練集準確率變化曲線和驗證集準確率變化曲線對比如下圖。
結(jié)果分析：我們觀察訓練曲線和驗證曲線，很明顯地發(fā)現(xiàn)圖像白化的效果好，其次是圖像切割，再次是圖像翻轉(zhuǎn)，而如果同時使用這三種數(shù)據(jù)增強技術(shù)，不僅能使訓練過程的loss更穩(wěn)定，而且能使驗證集的準確率提升至82%左右，提升效果十分明顯。而對于測試集，準確率也提升至80.42%。說明圖像增強確實通過增加訓練集數(shù)據(jù)量達到了提升模型泛化能力以及魯棒性的效果，從準確率上看也帶來了將近10%左右的提升，因此，數(shù)據(jù)增強確實有很大的作用。但是對于80%左右的識別準確率我們還是不夠滿意，接下來繼續(xù)調(diào)參。
?
四、從模型入手，使用一些改進方法
接下來的步驟是從模型角度進行一些改進，這方面的改進是誕生論文的重要區(qū)域，由于某一個特定問題對某一個模型的改進千變?nèi)f化，沒有辦法全部去嘗試，因此一般會實驗一些general的方法，比如批正則化（batch normalization）、權(quán)重衰減（weight decay）。我這里實驗了4種改進方法，接下來依次介紹。
為了進行對比實驗，實驗1只使用權(quán)重衰減，實驗2使用權(quán)重衰減+dropout，實驗3使用權(quán)重衰減+dropout+批正則化，實驗4使用權(quán)重衰減+dropout+批正則化+LRN，同樣都訓練5000輪，觀察到loss變化曲線、訓練集準確率變化曲線和驗證集準確率變化曲線對比如下圖。
結(jié)果分析：我們觀察訓練曲線和驗證曲線，隨著每一個模型提升的方法，都會使訓練集誤差和驗證集準確率有所提升，其中，批正則化技術(shù)和dropout技術(shù)帶來的提升非常明顯，而如果同時使用這些模型提升技術(shù)，會使驗證集的準確率從82%左右提升至88%左右，提升效果十分明顯。而對于測試集，準確率也提升至85.72%。我們再注意看左圖，使用batch normalization之后，loss曲線不再像之前會出現(xiàn)先下降后上升的情況，而是一直下降，這說明batch normalization技術(shù)可以加強模型訓練的穩(wěn)定性，并且能夠很大程度地提升模型泛化能力。所以，如果能提出一種模型改進技術(shù)并且從原理上解釋同時也使其適用于各種模型，那么就是非常好的創(chuàng)新點，也是我想挑戰(zhàn)的方向。現(xiàn)在測試集準確率提升至85%左右，接下來我們從其他的角度進行調(diào)參。
?
五、變化的學習率，進一步提升模型性能
在很多關(guān)于神經(jīng)網(wǎng)絡的論文中，都采用了變化學習率的技術(shù)來提升模型性能，大致的想法是這樣的：
為了進行對比實驗，實驗1只使用0.01的學習率訓練，實驗2前10000個batch使用0.01的學習率，10000個batch之后學習率降到0.001，實驗3前10000個batch使用0.01的學習率，10000~20000個batch使用0.001的學習率，20000個batch之后學習率降到0.0005。同樣都訓練5000輪，觀察到loss變化曲線、訓練集準確率變化曲線和驗證集準確率變化曲線對比如下圖。
結(jié)果分析：我們觀察到，當10000個batch時，學習率從0.01降到0.001時，目標函數(shù)值有明顯的下降，驗證集準確率有明顯的提升，而當20000個batch時，學習率從0.001降到0.0005時，目標函數(shù)值沒有明顯的下降，但是驗證集準確率有一定的提升，而對于測試集，準確率也提升至86.24%。這說明，學習率的變化確實能夠提升模型的擬合能力，從而提升準確率。學習率在什么時候進行衰減、率減多少也需要進行多次嘗試。一般在模型基本成型之后，使用這種變化的學習率的方法，以獲取一定的改進，精益求精。
?
六、加深網(wǎng)絡層數(shù)，會發(fā)生什么事情？
現(xiàn)在深度學習大熱，所以，在計算資源足夠的情況下，想要獲得模型性能的提升，大家最常見打的想法就是增加網(wǎng)絡的深度，讓深度神經(jīng)網(wǎng)絡來解決問題，但是簡單的網(wǎng)絡堆疊不一定就能達到很好地效果，抱著深度學習的想法，我按照plain-cnn模型 [6]，我做了接下來的實驗。
為了進行對比實驗，進行4組實驗，每組的網(wǎng)絡層數(shù)分別設置8，14，20和32。同樣都訓練5000輪，觀察到loss變化曲線、訓練集準確率變化曲線和驗證集準確率變化曲線對比如下圖。
結(jié)果分析：我們驚訝的發(fā)現(xiàn)，加深了網(wǎng)絡層數(shù)之后，性能反而下降了，達不到原來的驗證集準確率，網(wǎng)絡層數(shù)從8層增加到14層，準確率有所上升，但從14層增加到20層再增加到32層，準確率不升反降，這說明如果網(wǎng)絡層數(shù)過大，由于梯度衰減的原因，導致網(wǎng)絡性能下降，因此，需要使用其他方法解決梯度衰減問題，使得深度神經(jīng)網(wǎng)絡能夠正常work。
?
七、終極武器，殘差網(wǎng)絡
2015年，Microsoft用殘差網(wǎng)絡 [7] 拿下了當年的ImageNet，這個殘差網(wǎng)絡就很好地解決了梯度衰減的問題，使得深度神經(jīng)網(wǎng)絡能夠正常work。由于網(wǎng)絡層數(shù)加深，誤差反傳的過程中會使梯度不斷地衰減，而通過跨層的直連邊，可以使誤差在反傳的過程中減少衰減，使得深層次的網(wǎng)絡可以成功訓練，具體的過程可以參見其論文[7]。
通過設置對比實驗，觀察殘差網(wǎng)絡的性能，進行4組實驗，每組的網(wǎng)絡層數(shù)分別設置20，32，44和56。觀察到loss變化曲線和驗證集準確率變化曲線對比如下圖。
同的改進策略對分類準確率的影響，如何一步步得提高準確率。
?
代碼：
import numpy as np # 序列化和反序列化 import pickle from sklearn.preprocessing import OneHotEncoder import warnings warnings.filterwarnings('ignore') import tensorflow as tf#數(shù)據(jù)加載def unpickle(file):import picklewith open(file, 'rb') as fo:dict = pickle.load(fo, encoding='ISO-8859-1')return dict labels = [] X_train = [] for i in range(1,6):data = unpickle('./cifar-10-batches-py/data_batch_%d'%(i))labels.append(data['labels'])X_train.append(data['data']) # 將list類型轉(zhuǎn)換為ndarray X_train = np.array(X_train)X_train = np.transpose(X_train.reshape(-1,3,32,32),[0,2,3,1]).reshape(-1,3072)y_train = np.array(labels).reshape(-1)# reshape X_train = X_train.reshape(-1,3072)# 目標值概率 one_hot = OneHotEncoder() y_train =one_hot.fit_transform(y_train.reshape(-1,1)).toarray()# 測試數(shù)據(jù)加載 test = unpickle('./cifar-10-batches-py/test_batch') X_test = test['data'] X_test = np.transpose(X_test.reshape(-1,3,32,32),[0,2,3,1]).reshape(-1,3072) y_test = one_hot.transform(np.array(test['labels']).reshape(-1,1)).toarray()# 從總數(shù)據(jù)中獲取一批數(shù)據(jù) index = 0 def next_batch(X,y):global indexbatch_X = X[index*128:(index+1)*128]batch_y = y[index*128:(index+1)*128]index+=1if index == 390:index = 0return batch_X,batch_y# 構(gòu)建神經(jīng)網(wǎng)絡X = tf.placeholder(dtype=tf.float32,shape = [None,3072]) y = tf.placeholder(dtype=tf.float32,shape = [None,10]) kp = tf.placeholder(dtype=tf.float32)### ！！！變量 def gen_v(shape,std = 5e-2):return tf.Variable(tf.truncated_normal(shape = shape,stddev=std))def conv(input_,filter_,b):conv = tf.nn.conv2d(input_,filter_,strides=[1,1,1,1],padding='SAME') + bconv = tf.layers.batch_normalization(conv,training=True)conv = tf.nn.relu(conv)return tf.nn.max_pool(conv,[1,3,3,1],[1,2,2,1],'SAME')def net_work(X,kp): # 形狀改變，4維input_ = tf.reshape(X,shape = [-1,32,32,3]) # 第一層filter1 = gen_v(shape = [3,3,3,64])b1 = gen_v(shape = [64])pool1 = conv(input_,filter1,b1)# 第二層filter2 = gen_v([3,3,64,128])b2 = gen_v(shape = [128])pool2 = conv(pool1,filter2,b2)# 第三層filter3 = gen_v([3,3,128,256])b3 = gen_v([256])pool3 = conv(pool2,filter3,b3)# 第一層全連接層dense = tf.reshape(pool3,shape = [-1,4*4*256])fc1_w = gen_v(shape = [4*4*256,1024])fc1_b = gen_v([1024])bn_fc_1 = tf.layers.batch_normalization(tf.matmul(dense,fc1_w) + fc1_b,training=True)relu_fc_1 = tf.nn.relu(bn_fc_1) # fc1.shape = [-1,1024]# dropoutdp = tf.nn.dropout(relu_fc_1,keep_prob=kp)# fc2 輸出層out_w = gen_v(shape = [1024,10])out_b = gen_v(shape = [10])out = tf.matmul(dp,out_w) + out_breturn out# 損失函數(shù)準確率&最優(yōu)化out = net_work(X,kp) loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y,logits=out)) # 準確率 y_ = tf.nn.softmax(out) # equal 相當于 == equal = tf.equal(tf.argmax(y,axis = -1),tf.argmax(y_,axis = 1)) accuracy = tf.reduce_mean(tf.cast(equal,tf.float32))opt = tf.train.AdamOptimizer(0.01).minimize(loss) opt# 開啟訓練saver = tf.train.Saver()# config = tf.ConfigProto(allow_soft_placement=True) # config.gpu_options.allocator_type = 'BFC' # config.gpu_options.per_process_gpu_memory_fraction = 0.80epoches = 100 with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(epoches):batch_X,batch_y = next_batch(X_train,y_train)opt_,loss_ ,score_train= sess.run([opt,loss,accuracy],feed_dict = {X:batch_X,y:batch_y,kp:0.5})print('iter count:%d。mini_batch loss:%0.4f。訓練數(shù)據(jù)上的準確率：%0.4f。測試數(shù)據(jù)上準確率：...'%(i+1,loss_,score_train ))if score_train > 0.6:saver.save(sess,'./model/estimator',i+1)saver.save(sess,'./model/estimator',i+1)for i in range(77):X_test1,y_test1= next_batch(X_test,y_test)score_test = sess.run([accuracy],feed_dict = {X:X_test1,y:y_test1,kp:1.0})print('測試數(shù)據(jù)上的準確率：',score_test,y_[0],y[0])epoches = 1100 with tf.Session() as sess:saver.restore(sess,'./model/estimator-100')for i in range(100,epoches):batch_X,batch_y = next_batch(X_train,y_train)opt_,loss_ ,score_train= sess.run([opt,loss,accuracy],feed_dict = {X:batch_X,y:batch_y,kp:0.5})print('iter count:%d。mini_batch loss:%0.4f。訓練數(shù)據(jù)上的準確率：%0.4f。測試數(shù)據(jù)上準確率：%0.4f'%(i+1,loss_,score_train,score_test))if score_train > 0.6:saver.save(sess,'./model/estimator',i+1)saver.save(sess,'./model/estimator',i+1)if (i%100 == 0) and (i != 100):score_test = sess.run(accuracy,feed_dict = {X:X_test,y:y_test,kp:1.0})print('----------------測試數(shù)據(jù)上的準確率：---------------',score_test)?
總結(jié)
以上是生活随笔為你收集整理的【深度学习】Cifar-10-探究不同的改进策略对分类准确率提高的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 论文笔记：微表情识别综述1
- 下一篇： 【机器学习】opencv-视频中的人脸检