【TensorFlow實戰】TensorFlow實現經典卷積神經網絡之VGGNet
VGGNet
VGGNet是牛津大學計算機視覺組與Google DeepMind公司的研究員一起研發的深度卷積神經網絡。VGGNet探索了卷積神經網絡的深度與其性能之間的關系，通過反復堆疊3*3的小型卷積核核2*2的最大池化層，VGGNet成功地構建了16~19層的卷積神經網絡。VGGNet相比於之前state-of-the-art網絡結構，錯誤率大幅下降，並取得了ILSVRC 2014比賽分類項目的第二名和定位項目的第一名。VGGNet的結構非常簡潔，整個網絡都是使用了同樣大小的卷積尺寸3*3和最大池化尺寸2*2。到目前為止，VGGNet依然經常被用來提取圖像特征。VGGNet訓練後的模型參數在其官網上開源了，可用在domain specific的圖像分類任務上進行再訓練（相當於提供了非常好的初始化權重），因此被用在了很多地方。
VGGNet論文中全部使用了3*3的卷積核和2*2的池化核，通過不斷加深網絡結構來提升性能。下圖一為VGGNet各級網絡結構，下圖二為每一級的參數量，從11層的網絡到19層的網絡都有詳盡的性能測試。參數量大的是後面的全連接層，但訓練比較耗時的是卷積。其中D、E就是我們常說的VGGNet-16和VGGNet-19。C很有意思，相比B多了幾個1*1的卷積層，1*1卷積的意義主要在於線性變換，而輸入通道數和輸出通道數不變，沒有發生降維。
圖一
圖二
VGGNet擁有5段卷積，每一段內有2~3個卷積層，同時每段尾部會連接一個最大池化層用來縮小圖片尺寸，各段卷積核個數：64--128--256--512--512。
其中一個非常有用的設計就是多個完全一樣的3*3卷積層堆疊在一起。兩個3*3的卷積層串聯在一起相當於1個5*5的卷積層，即一個像素會跟周圍5*5的像素產生關聯，可以說感受野大小為5*5。而3個3*3卷積層的串聯相當於1個7*7的卷積層，而且比1個7*7的卷積層更少的參數量，只有後者的 (3*3*3)/(7*7) =55%。最重要的是，3個3*3的卷積層比1個7*7的卷積層更多的非線性變換（前者可以使用3次ReLU，而後者智能用一次），使得CNN對特征的學習能力更強。
VGGNet在訓練時有個小技巧，先訓練級別A的網絡，再復用A網絡的權重來初始化後面的幾個復雜模型，這樣訓練收斂的速度更快。在預測時，VGG采用Multi-Scale的方法，將圖像scale到一個尺寸Q，並將圖片輸入到神經網絡計算。然後再最後一個卷積層使用滑窗的方式進行分類預測，將不用窗口的分類結果平均，再將不同尺寸Q的結果平均得到最後結果，這樣可以提高圖片數據的利用率並提升預測準確率。同時在訓練中，VGGNet還使用了Multi-Scale方法做數據增強，將原始圖片縮放到不同尺寸S，然後再隨機裁取224*224的圖片，這樣能增加很多數據量，對於防止模型過擬合有很不錯的效果。實踐中，作者令S在【256,512】這個區間內取值，使用Multi-Scale獲得多個版本的數據，並將多個版本的數據合在一起訓練。下圖便是VGGNet使用Multi-Scale訓練得到的結果：
可以看到D和E都可以達到7.5% 的錯誤率。最終提交到ILSVRC 2014的版本是僅使用Single-Scale的6個不同等級的網絡與Multi-Scale的D網絡融合，達到7.3%的錯誤率。不過比賽後作者發現只融合Multi-Scale的D和E可以達到更好的效果。錯誤率達到7.0%，再使用其他優化策略最終錯誤率可達到6.8%左右，非常接近當年的冠軍Google Inceptin Net。同時，作者在對比各級網絡時總結出以下幾個觀點：
1.LRN層作用不大；
2.越深的網絡效果越好；
3.1*1的卷積也是很有效的，但是沒有3*3的卷積好，大一些的卷積核可以學到更大的特征。
VGGNet-16實現：
from datetime import datetime import math import time import tensorflow as tf # 定義卷積層 def conv_op(input_op, name, kh, kw, n_out, dh, dw, p): # input_op是輸入的tensor # name是這一層的名字 # kh即kernel height 卷積核的高 # kw即kernel width 卷積核的寬 # n_out是卷積核數量即輸出通道 # dh是步長的高 # dw是步長的寬 # p是參數列表 n_in = input_op.get_shape()[-1].value # 獲取input_op的通道數 with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d()) conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding=‘SAME‘) bias_init_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32) biases = tf.Variable(bias_init_val, trainable=True, name=‘b‘) z = tf.nn.bias_add(conv, biases) activation = tf.nn.relu(z, name=scope) p += [kernel, biases] return activation # 定義全連接層 def fc_op(input_op, name, n_out, p): n_in = input_op.get_shape()[-1].value with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[n_in, n_out], # [輸入的通道數，輸出的通道數] dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer()) biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name=‘b‘) # 賦予0.1而不是0避免dead neuron activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope) p += [kernel, biases] return activation # 定義最大池化層 def mpool_op(input_op, name, kh, kw, dh, dw): return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding=‘SAME‘, name=name) # 定義VGGNet-16網絡結構 def inference_op(input_op, keep_prob): p = [] # assume input_op shape is 224x224x3 # block 1 -- outputs 112x112x64 conv1_1 = conv_op(input_op, name="conv1_1", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) conv1_2 = conv_op(conv1_1, name="conv1_2", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) pool1 = mpool_op(conv1_2, name="pool1", kh=2, kw=2, dw=2, dh=2) # block 2 -- outputs 56x56x128 conv2_1 = conv_op(pool1, name="conv2_1", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) conv2_2 = conv_op(conv2_1, name="conv2_2", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) pool2 = mpool_op(conv2_2, name="pool2", kh=2, kw=2, dh=2, dw=2) # block 3 -- outputs 28x28x256 conv3_1 = conv_op(pool2, name="conv3_1", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_2 = conv_op(conv3_1, name="conv3_2", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_3 = conv_op(conv3_2, name="conv3_3", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) pool3 = mpool_op(conv3_3, name="pool3", kh=2, kw=2, dh=2, dw=2) # block 4 -- outputs 14x14x512 conv4_1 = conv_op(pool3, name="conv4_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_2 = conv_op(conv4_1, name="conv4_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_3 = conv_op(conv4_2, name="conv4_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool4 = mpool_op(conv4_3, name="pool4", kh=2, kw=2, dh=2, dw=2) # 到這裏，VGGNet-16的每一段網絡都會將圖像的邊長縮小一半，但是將卷積輸出通道數翻倍的規律 # block 5 -- outputs 7x7x512 conv5_1 = conv_op(pool4, name="conv5_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_2 = conv_op(conv5_1, name="conv5_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_3 = conv_op(conv5_2, name="conv5_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool5 = mpool_op(conv5_3, name="pool5", kh=2, kw=2, dw=2, dh=2) # flatten # 將第五段卷積網絡的輸出結果進行扁平化，轉化成7*7*512=25088的一維向量 shp = pool5.get_shape() flattened_shape = shp[1].value * shp[2].value * shp[3].value resh1 = tf.reshape(pool5, [-1, flattened_shape], name="resh1") # fully connected fc6 = fc_op(resh1, name="fc6", n_out=4096, p=p) fc6_drop = tf.nn.dropout(fc6, keep_prob, name="fc6_drop") fc7 = fc_op(fc6_drop, name="fc7", n_out=4096, p=p) fc7_drop = tf.nn.dropout(fc7, keep_prob, name="fc7_drop") fc8 = fc_op(fc7_drop, name="fc8", n_out=1000, p=p) softmax = tf.nn.softmax(fc8) predictions = tf.argmax(softmax, 1) return predictions, softmax, fc8, p # 定義評測函數 def time_tensorflow_run(session, target, feed, info_string): num_steps_burn_in = 10 total_duration = 0.0 total_duration_squared = 0.0 for i in range(num_batches + num_steps_burn_in): start_time = time.time() _ = session.run(target, feed_dict=feed) duration = time.time() - start_time if i >= num_steps_burn_in: if not i % 10: print (‘%s: step %d, duration = %.3f‘ % (datetime.now(), i - num_steps_burn_in, duration)) total_duration += duration total_duration_squared += duration * duration mn = total_duration / num_batches vr = total_duration_squared / num_batches - mn * mn sd = math.sqrt(vr) print (‘%s: %s across %d steps, %.3f +/- %.3f sec / batch‘ % (datetime.now(), info_string, num_batches, mn, sd)) # 定義評測主函數 # 輸入數據依然是隨機生成的 def run_benchmark(): with tf.Graph().as_default(): image_size = 224 images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1)) keep_prob = tf.placeholder(tf.float32) predictions, softmax, fc8, p = inference_op(images, keep_prob) init = tf.global_variables_initializer() config = tf.ConfigProto() config.gpu_options.allocator_type = ‘BFC‘ sess = tf.Session(config=config) sess.run(init) time_tensorflow_run(sess, predictions, {keep_prob:1.0}, "Forward") objective = tf.nn.l2_loss(fc8) grad = tf.gradients(objective, p) time_tensorflow_run(sess, grad, {keep_prob:0.5}, "Forward-backward") batch_size=32 num_batches=100 run_benchmark()
VGGNet-16的計算復雜度相比AlexNet確實高了很多，不過同樣帶來了很大的準確率的提升。
【TensorFlow實戰】TensorFlow實現經典卷積神經網絡之VGGNet