PaddlePaddle | 深度学习 101- 图像分类

本人仅以 PaddlePaddle 深度学习 101 官网教程为指导，添加个人理解和笔记，仅作为学习练习使用，若有错误，还望批评指教。–ZJ

原文地址： PaddlePaddle 官网| PaddlePaddle 深度学习 101

环境：
- Python 2.7
- Ubuntu 16.04

图像分类

本教程源代码目录在book/image_classification， 初次使用请参考 PaddlePaddle 安装教程，更多内容请参考本教程的视频课堂。

背景介绍

图像相比文字能够提供更加生动、容易理解及更具艺术感的信息，是人们转递与交换信息的重要来源。在本教程中，我们专注于图像识别领域的一个重要问题，即图像分类。

• 图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。

• 图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。

• 一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。

• 在深度学习算法之前使用较多的是基于词袋(Bag of Words)模型的物体分类方法。
• 词袋方法从自然语言处理中引入，即一句话可以用一个装了词的袋子表示其特征，袋子中的词为句子中的单词、短语或字。对于图像而言，词袋方法需要构建字典。最简单的词袋模型框架可以设计为底层特征抽取、特征编码、分类器设计三个过程。

Now:

• 而基于深度学习的图像分类方法，可以通过有监督或无监督的方式学习层次化的特征描述，从而取代了手工设计或选择图像特征的工作。
• 深度学习模型中的卷积神经网络( Convolution Neural Network, CNN ) 近年来在图像领域取得了惊人的成绩， CNN 直接利用图像像素信息作为输入，最大程度上保留了输入图像的所有信息，通过卷积操作进行特征的提取和高层抽象，模型输出直接是图像识别的结果。这种基于”输入-输出”直接端到端的学习方法取得了非常好的效果，得到了广泛的应用。

本教程主要介绍图像分类的深度学习模型，以及如何使用 PaddlePaddle 训练 CNN 模型。

效果展示

图像分类包括通用图像分类、细粒度图像分类等。图 1 展示了通用图像分类效果，即模型可以正确识别图像上的主要物体。

图1. 通用图像分类展示

图2 展示了细粒度图像分类-花卉识别的效果，要求模型可以正确识别花的类别。

图2. 细粒度图像分类展示

一个好的模型既要对不同类别识别正确，同时也应该能够对不同视角、光照、背景、变形或部分遮挡的图像正确识别(这里我们统一称作图像扰动)。图3 展示了一些图像的扰动，较好的模型会像聪明的人类一样能够正确识别。

图3. 扰动图片展示[22]

模型概览

图像识别领域大量的研究成果都是建立在 PASCAL VOC 、 ImageNet 等公开的数据集上，很多图像识别算法通常在这些数据集上进行测试和比较。 PASCAL VOC 是 2005 年发起的一个视觉挑战赛， ImageNet 是2010年发起的大规模视觉识别竞赛(ILSVRC)的数据集，在本章中我们基于这些竞赛的一些论文介绍图像分类模型。

在 2012 年之前的传统图像分类方法可以用背景描述中提到的三步完成，但通常完整建立图像识别模型一般包括底层特征学习、特征编码、空间约束、分类器设计、模型融合等几个阶段。

1). 底层特征提取: 通常从图像中按照固定步长、尺度提取大量局部特征描述。常用的局部特征包括 SIFT(Scale-Invariant Feature Transform, 尺度不变特征转换) [1]、HOG(Histogram of Oriented Gradient, 方向梯度直方图) [2]、LBP(Local Bianray Pattern, 局部二值模式) [3] 等，一般也采用多种特征描述子，防止丢失过多的有用信息。

2). 特征编码: 底层特征中包含了大量冗余与噪声，为了提高特征表达的鲁棒性，需要使用一种特征变换算法对底层特征进行编码，称作特征编码。常用的特征编码包括向量量化编码 [4]、稀疏编码 [5]、局部线性约束编码 [6]、Fisher 向量编码 [7] 等。

3). 空间特征约束: 特征编码之后一般会经过空间特征约束，也称作特征汇聚。特征汇聚是指在一个空间范围内，对每一维特征取最大值或者平均值，可以获得一定特征不变形的特征表达。金字塔特征匹配是一种常用的特征聚会方法，这种方法提出将图像均匀分块，在分块内做特征汇聚。

4). 通过分类器分类: 经过前面步骤之后一张图像可以用一个固定维度的向量进行描述，接下来就是经过分类器对图像进行分类。通常使用的分类器包括 SVM (Support Vector Machine, 支持向量机)、随机森林等。而使用核方法的 SVM 是最为广泛的分类器，在传统图像分类任务上性能很好。

这种方法在 PASCAL VOC 竞赛中的图像分类算法中被广泛使用 [18]。NEC实验室在 ILSVRC2010 中采用 SIFT 和 LBP 特征，两个非线性编码器以及 SVM 分类器获得图像分类的冠军 [8]。

Alex Krizhevsky 在 2012 年 ILSVRC 提出的 CNN 模型 [9] 取得了历史性的突破，效果大幅度超越传统方法，获得了 ILSVRC2012 冠军，该模型被称作 AlexNet 。这也是首次将深度学习用于大规模图像分类中。从 AlexNet 之后，涌现了一系列 CNN 模型，不断地在 ImageNet 上刷新成绩，如图4展示。随着模型变得越来越深以及精妙的结构设计，Top-5 的错误率也越来越低，降到了 3.5% 附近。而在同样的 ImageNet 数据集上，人眼的辨识错误率大概在 5.1%，也就是目前的深度学习模型的识别能力已经超过了人眼。

图4. ILSVRC 图像分类 Top-5错误率

CNN

传统CNN 包含卷积层、全连接层等组件，并采用 softmax 多类别分类器和多类交叉熵损失函数，一个典型的卷积神经网络如图5所示，我们先介绍用来构造 CNN 的常见组件。

图5. CNN 网络示例[20]

• 卷积层(convolution layer): 执行卷积操作提取底层到高层的特征，发掘出图片局部关联性质和空间不变性质。
• 池化层(pooling layer): 执行降采样操作。通过取卷积输出特征图中局部区块的最大值(max-pooling)或者均值(avg-pooling)。降采样也是图像处理中常见的一种操作，可以过滤掉一些不重要的高频信息。
• 全连接层(fully-connected layer，或者fc layer): 输入层到隐藏层的神经元是全部连接的。
• 非线性变化: 卷积层、全连接层后面一般都会接非线性变化层，例如 Sigmoid、Tanh、ReLu 等来增强网络的表达能力，在CNN 里最常使用的为 ReLu 激活函数。
• Dropout [10] : 在模型训练阶段随机让一些隐层节点权重不工作，提高网络的泛化能力，一定程度上防止过拟合。

另外，在训练过程中由于每层参数不断更新，会导致下一次输入分布发生变化，这样导致训练过程需要精心设计超参数。如 2015 年 Sergey Ioffe 和 Christian Szegedy 提出了 Batch Normalization (BN)算法 [14] 中，每个 batch 对网络中的每一层特征都做归一化，使得每层分布相对稳定。

BN 算法不仅起到一定的正则作用，而且弱化了一些超参数的设计。经过实验证明，BN算法加速了模型收敛过程，在后来较深的模型中被广泛使用。

接下来我们主要介绍 VGG ，GoogleNet和 ResNet 网络结构。

VGG

牛津大学 VGG (Visual Geometry Group)组在 2014 年 ILSVRC 提出的模型被称作 VGG 模型 [11] 。该模型相比以往模型进一步加宽和加深了网络结构，它的核心是五组卷积操作，每两组之间做 Max-Pooling 空间降维。同一组内采用多次连续的 3X3 卷积，卷积核的数目由较浅组的 64 增多到最深组的 512，同一组内的卷积核数目是一样的。

卷积之后接两层全连接层，之后是分类层。由于每组内卷积层的不同，有11、13、16、19层这几种模型，下图展示一个 16 层的网络结构。 VGG 模型结构相对简洁，提出之后也有很多文章基于此模型进行研究，如在 ImageNet 上首次公开超过人眼识别的模型[19]就是借鉴 VGG 模型的结构。

图6. 基于 ImageNet 的 VGG 16模型

GoogleNet

GoogleNet [12] 在 2014 年 ILSVRC 的获得了冠军，在介绍该模型之前我们先来了解 NIN(Network in Network) 模型 [13] 和 Inception 模块，因为GoogleNet 模型由多组 Inception 模块组成，模型设计借鉴了 NIN 的一些思想。

NIN 模型主要有两个特点：

1) 引入了多层感知卷积网络 (Multi-Layer Perceptron Convolution, MLPconv)代替一层线性卷积网络。MLPconv 是一个微小的多层卷积网络，即在线性卷积后面增加若干层 1x1 的卷积，这样可以提取出高度非线性特征。

2) 传统的 CNN 最后几层一般都是全连接层，参数较多。而 NIN 模型设计最后一层卷积层包含类别维度大小的特征图，然后采用全局均值池化 (Avg-Pooling) 替代全连接层，得到类别维度大小的向量，再进行分类。这种替代全连接层的方式有利于减少参数。

Inception 模块如下图 7 所示，图 (a) 是最简单的设计，输出是 3 个卷积层和一个池化层的特征拼接。这种设计的缺点是池化层不会改变特征通道数，拼接后会导致特征的通道数较大，经过几层这样的模块堆积后，通道数会越来越大，导致参数和计算量也随之增大。为了改善这个缺点，图(b) 引入 3 个 1x1 卷积层进行降维，所谓的降维就是减少通道数，同时如 NIN 模型中提到的 1x1 卷积也可以修正线性特征。

图7. Inception 模块

GoogleNet 由多组 Inception 模块堆积而成。另外，在网络最后也没有采用传统的多层全连接层，而是像 NIN 网络一样采用了均值池化层；但与 NIN 不同的是，池化层后面接了一层到类别数映射的全连接层。除了这两个特点之外，由于网络中间层特征也很有判别性，GoogleNet 在中间层添加了两个辅助分类器，在后向传播中增强梯度并且增强正则化，而整个网络的损失函数是这个三个分类器的损失加权求和。

GoogleNet 整体网络结构如图 8 所示，总共 22 层网络：开始由 3 层普通的卷积组成；接下来由三组子网络组成，第一组子网络包含 2 个 Inception 模块，第二组包含 5 个 Inception 模块，第三组包含 2 个 Inception 模块；然后接均值池化层、全连接层。

图8. GoogleNet[12]

上面介绍的是 GoogleNet 第一版模型(称作GoogleNet-v1)。GoogleNet-v2 [14] 引入 BN 层；GoogleNet-v3 [16] 对一些卷积层做了分解，进一步提高网络非线性能力和加深网络；GoogleNet-v4 [17] 引入下面要讲的 ResNet 设计思路。从v1 到 v4 每一版的改进都会带来准确度的提升，介于篇幅，这里不再详细介绍 v2 到 v4 的结构。

ResNet

ResNet (Residual Network) [15] 是 2015 年 ImageNet 图像分类、图像物体定位和图像物体检测比赛的冠军。针对训练卷积神经网络时加深网络导致准确度下降的问题， ResNet 提出了采用残差学习。在已有设计思路( BN, 小卷积核，全卷积网络)的基础上，引入了残差模块。每个残差模块包含两条路径，其中一条路径是输入特征的直连通路，另一条路径对该特征做两到三次卷积操作得到该特征的残差，最后再将两条路径上的特征相加。

扩展阅读：深度学习（二十九）Batch Normalization 学习笔记

残差模块如图 9 所示，左边是基本模块连接方式，由两个输出通道数相同的 3x3 卷积组成。右边是瓶颈模块( Bottleneck)连接方式，之所以称为瓶颈，是因为上面的 1x1 卷积用来降维(图示例即 256->64)，下面的 1x1 卷积用来升维(图示例即 64->256 )，这样中间 3x3 卷积的输入和输出通道数都较小(图示例即 64->64)。

图9. 残差模块

图10展示了 50、101、152 层网络连接示意图，使用的是瓶颈模块。这三个模型的区别在于每组中残差模块的重复次数不同(见图右上角)。 ResNet 训练收敛较快，成功的训练了上百乃至近千层的卷积神经网络。

图10. 基于 ImageNet 的 ResNet 模型

数据准备

通用图像分类公开的标准数据集常用的有CIFAR、 ImageNet 、COCO等，常用的细粒度图像分类数据集包括CUB-200-2011、[Stanford Dog](http://vision.stanford.edu/aditya86/ ImageNet Dogs/)、Oxford-flowers等。其中 ImageNet 数据集规模相对较大，如模型概览一章所讲，大量研究成果基于 ImageNet 。

ImageNet 数据从2010年来稍有变化，常用的是 ImageNet -2012数据集，该数据集包含 1000个类别：训练集包含1,281,167张图片，每个类别数据 732 至 1300 张不等，验证集包含 50,000张图片，平均每个类别50张图片。

由于 ImageNet 数据集较大，下载和训练较慢，为了方便大家学习，我们使用CIFAR10数据集。CIFAR10 数据集包含 60,000 张32x32 的彩色图片，10 个类别，每个类包含 6,000 张。其中 50,000 张图片作为训练集，10000 张作为测试集。图11从每个类别中随机抽取了 10 张图片，展示了所有的类别。

图11. CIFAR10数据集[21]

Paddle API 提供了自动加载 cifar 数据集模块 paddle.dataset.cifar。

通过输入python train.py，就可以开始训练模型了，以下小节将详细介绍train.py的相关内容。

模型结构

Paddle 初始化

通过 paddle.init，初始化 Paddle 是否使用 GPU， trainer 的数目等等。

import sys
import paddle.v2 as paddle
from vgg import vgg_bn_drop
from resnet import resnet_cifar10

# PaddlePaddle init
paddle.init(use_gpu=False, trainer_count=1)

本教程中我们提供了 VGG 和 ResNet 两个模型的配置。

VGG

首先介绍 VGG 模型结构，由于 CIFAR10 图片大小和数量相比 ImageNet 数据小很多，因此这里的模型针对 CIFAR10 数据做了一定的适配。卷积部分引入了 BN 和 Dropout 操作。

1. 定义数据输入及其维度

   网络输入定义为 data_layer (数据层)，在图像分类中即为图像像素信息。CIFRAR10 是RGB 3 通道 32x32 大小的彩色图，因此输入数据大小为 3072(3x32x32)，类别大小为 10，即 10分类。

   datadim = 3 * 32 * 32
   classdim = 10
   
   image = paddle.layer.data(
       name="image", type=paddle.data_type.dense_vector(datadim))

2. 定义 VGG 网络核心模块

   net = vgg_bn_drop(image)

   VGG 核心模块的输入是数据层，vgg_bn_drop 定义了 16 层 VGG 结构，每层卷积后面引入 BN 层和 Dropout 层，详细的定义如下：

   def vgg_bn_drop(input):
       def conv_block(ipt, num_filter, groups, dropouts, num_channels=None):
           return paddle.networks.img_conv_group(
               input=ipt,
               num_channels=num_channels,
               pool_size=2,
               pool_stride=2,
               conv_num_filter=[num_filter] * groups,
               conv_filter_size=3,
               conv_act=paddle.activation.Relu(),
               conv_with_batchnorm=True,
               conv_batchnorm_drop_rate=dropouts,
               pool_type=paddle.pooling.Max())
   
       # 函数嵌套 conv_block() 中的数字对应的是 上述参数说明 
       # 第三个参数 groups 代表执行这一个卷积 执行几次 2+2+3+3+3 = 13
       # 后面 还有 fc1 fc2 两层全连接 调用完该函数后，还会有 out softmax 输出层
       conv1 = conv_block(input, 64, 2, [0.3, 0], 3)
       conv2 = conv_block(conv1, 128, 2, [0.4, 0])
       conv3 = conv_block(conv2, 256, 3, [0.4, 0.4, 0])
       conv4 = conv_block(conv3, 512, 3, [0.4, 0.4, 0])
       conv5 = conv_block(conv4, 512, 3, [0.4, 0.4, 0])
   
       # 随机失活率 dropout_rate=0.5
       drop = paddle.layer.dropout(input=conv5, dropout_rate=0.5)
       fc1 = paddle.layer.fc(input=drop, size=512, act=paddle.activation.Linear())
       # 归一化算法
       bn = paddle.layer.batch_norm(
           input=fc1,
           act=paddle.activation.Relu(),
           layer_attr=paddle.attr.Extra(drop_rate=0.5))
       fc2 = paddle.layer.fc(input=bn, size=512, act=paddle.activation.Linear())
       return fc2

   2.1. 首先定义了一组卷积网络，即 conv_block。卷积核大小为 3x3，池化窗口大小为2x2，窗口滑动大小为 2，groups 决定每组 VGG 模块是几次连续的卷积操作，dropouts 指定Dropout 操作的概率。所使用的img_conv_group是在paddle.networks中预定义的模块，由若干组 Conv->BN->ReLu->Dropout 和 一组 Pooling 组成。

   2.2. 五组卷积操作，即 5 个 conv_block。 第一、二组采用两次连续的卷积操作。第三、四、五组采用三次连续的卷积操作。每组最后一个卷积后面 Dropout 概率为 0，即不使用Dropout 操作。

   2.3. 最后接两层 512 维的全连接。

3. 定义分类器

   通过上面 VGG 网络提取高层特征，然后经过全连接层映射到类别维度大小的向量，再通过 Softmax 归一化得到每个类别的概率，也可称作分类器。

   out = paddle.layer.fc(input=net,
                         size=classdim,
                         act=paddle.activation.Softmax())

4. 定义损失函数和网络输出

   在有监督训练中需要输入图像对应的类别信息，同样通过paddle.layer.data来定义。训练中采用多类交叉熵作为损失函数，并作为网络的输出，预测阶段定义网络的输出为分类器得到的概率信息。

   lbl = paddle.layer.data(
       name="label", type=paddle.data_type.integer_value(classdim))
   cost = paddle.layer.classification_cost(input=out, label=lbl)

ResNet

ResNet 模型的第1、3、4步和 VGG 模型相同，这里不再介绍。主要介绍第 2 步即 CIFAR10 数据集上 ResNet 核心模块。

net = resnet_cifar10(image, depth=56)

先介绍resnet_cifar10中的一些基本函数，再介绍网络连接过程。

• conv_bn_layer : 带 BN 的卷积层。
• shortcut : 残差模块的”直连”路径，”直连”实际分两种形式：残差模块输入和输出特征通道数不等时，采用 1x1 卷积的升维操作；残差模块输入和输出通道相等时，采用直连操作。
• basicblock : 一个基础残差模块，即图9 左边所示，由两组 3x3 卷积组成的路径和一条”直连”路径组成。
• bottleneck : 一个瓶颈残差模块，即图9 右边所示，由上下 1x1 卷积和中间 3x3 卷积组成的路径和一条”直连”路径组成。
• layer_warp : 一组残差模块，由若干个残差模块堆积而成。每组中第一个残差模块滑动窗口大小与其他可以不同，以用来减少特征图在垂直和水平方向的大小。

def conv_bn_layer(input, ch_out, filter_size, stride, padding, active_type=paddle.activation.Relu(), ch_in=None):
    tmp = paddle.layer.img_conv(
        input=input,
        filter_size=filter_size,
        num_channels=ch_in,
        num_filters=ch_out,
        stride=stride,
        padding=padding,
        act=paddle.activation.Linear(),
        bias_attr=False)
    return paddle.layer.batch_norm(input=tmp, act=active_type)

def shortcut(ipt, n_in, n_out, stride):
    if n_in != n_out:
        return conv_bn_layer(ipt, n_out, 1, stride, 0,
                             paddle.activation.Linear())
    else:
        return ipt

def basicblock(ipt, ch_out, stride):
    ch_in = ch_out * 2
    tmp = conv_bn_layer(ipt, ch_out, 3, stride, 1)
    tmp = conv_bn_layer(tmp, ch_out, 3, 1, 1, paddle.activation.Linear())
    short = shortcut(ipt, ch_in, ch_out, stride)
    return paddle.layer.addto(input=[tmp, short], act=paddle.activation.Relu())

def layer_warp(block_func, ipt, features, count, stride):
    tmp = block_func(ipt, features, stride)
    for i in range(1, count):
        tmp = block_func(tmp, features, 1)
    return tmp

resnet_cifar10 的连接结构主要有以下几个过程。

1. 底层输入连接一层 conv_bn_layer，即带 BN 的卷积层。
2. 然后连接 3 组残差模块即下面配置 3 组 layer_warp ，每组采用图 10 左边残差模块组成。
3. 最后对网络做均值池化并返回该层。

注意：除过第一层卷积层和最后一层全连接层之外，要求三组 layer_warp 总的含参层数能够被 6 整除，即 resnet_cifar10 的 depth 要满足 (depth−2) ( d e p t h − 2 ) 。

def resnet_cifar10(ipt, depth=32):
    # depth should be one of 20, 32, 44, 56, 110, 1202
    assert (depth - 2) % 6 == 0
    n = (depth - 2) / 6
    nStages = {16, 64, 128}
    conv1 = conv_bn_layer(
        ipt, ch_in=3, ch_out=16, filter_size=3, stride=1, padding=1)
    res1 = layer_warp(basicblock, conv1, 16, n, 1)
    res2 = layer_warp(basicblock, res1, 32, n, 2)
    res3 = layer_warp(basicblock, res2, 64, n, 2)
    pool = paddle.layer.img_pool(
        input=res3, pool_size=8, stride=1, pool_type=paddle.pooling.Avg())
    return pool

训练模型

定义参数

首先依据模型配置的cost定义模型参数。

# Create parameters
parameters = paddle.parameters.create(cost)

可以打印参数名字，如果在网络配置中没有指定名字，则默认生成。

print parameters.keys()

构造训练(Trainer)

根据网络拓扑结构和模型参数来构造出 trainer 用来训练，在构造时还需指定优化方法，这里使用最基本的 Momentum 方法，同时设定了学习率、正则等。

# Create optimizer
momentum_optimizer = paddle.optimizer.Momentum(
    momentum=0.9,
    regularization=paddle.optimizer.L2Regularization(rate=0.0002 * 128),
    learning_rate=0.1 / 128.0,
    learning_rate_decay_a=0.1,
    learning_rate_decay_b=50000 * 100,
    learning_rate_schedule='discexp')

# Create trainer 
 trainer  = paddle. trainer .SGD(cost=cost,
                             parameters=parameters,
                             update_equation=momentum_optimizer)

通过 learning_rate_decay_a (简写 a a ） 、learning_rate_decay_b (简写 b b ) 和 learning_rate_schedule 指定学习率调整策略，这里采用离散指数的方式调节学习率，计算公式如下， n n 代表已经处理过的累计总样本数， lr0 l r 0 即为 settings 里设置的 learning_rate。

lr=lr0∗a⌊nb⌋ l r = l r 0 ∗ a ⌊ n b ⌋

训练

cifar.train10() 每次产生一条样本，在完成 shuffle 和 batch 之后，作为训练的输入。

reader=paddle.batch(
    paddle.reader.shuffle(
        paddle.dataset.cifar.train10(), buf_size=50000),
        batch_size=128)

通过 feeding 来指定每一个数据和 paddle.layer.data 的对应关系。例如: cifar.train10() 产生数据的第 0 列对应 image 层的特征。

feeding={'image': 0,
         'label': 1}

可以使用 event_handler 回调函数来观察训练过程，或进行测试等, 该回调函数是trainer .train 函数里设定。

event_handler_plot 可以用来利用回调数据来打点画图:

from paddle.v2.plot import Ploter

train_title = "Train cost"
test_title = "Test cost"
cost_ploter = Ploter(train_title, test_title)

step = 0
def event_handler_plot(event):
    global step
    if isinstance(event, paddle.event.EndIteration):
        if step % 1 == 0:
            cost_ploter.append(train_title, step, event.cost)
            cost_ploter.plot()
        step += 1
    if isinstance(event, paddle.event.EndPass):

        result =  trainer .test(
            reader=paddle.batch(
                paddle.dataset.cifar.test10(), batch_size=128),
            feeding=feeding)
        cost_ploter.append(test_title, step, result.cost)

event_handler 用来在训练过程中输出文本日志

# End batch and end pass event handler
def event_handler(event):
    if isinstance(event, paddle.event.EndIteration):
        if event.batch_id % 100 == 0:
            print "\nPass %d, Batch %d, Cost %f, %s" % (
                event.pass _id, event.batch_id, event.cost, event.metrics)
        else:
            sys.stdout.write('.')
            sys.stdout.flush()
    if isinstance(event, paddle.event.EndPass):
        # save parameters
        with open('params_pass _%d.tar' % event.pass _id, 'w') as f:
             trainer .save_parameter_to_tar(f)

        result =  trainer .test(
            reader=paddle.batch(
                paddle.dataset.cifar.test10(), batch_size=128),
            feeding=feeding)
        print "\nTest with Pass %d, %s" % (event.pass _id, result.metrics)

通过trainer.train函数训练:

 trainer.train(
    reader=reader,
    num_passes=200,
    event_handler=event_handler_plot,
    feeding=feeding)

一轮训练 log 示例如下所示，经过 1 个 pass ， 训练集上平均 error 为 0.6875 ，测试集上平均 error 为0.8852 。

Pass 0, Batch 0, Cost 2.473182, {'classification_ error _evaluator': 0.9140625}
...................................................................................................
Pass 0, Batch 100, Cost 1.913076, {'classification_ error _evaluator': 0.78125}
...................................................................................................
Pass 0, Batch 200, Cost 1.783041, {'classification_ error _evaluator': 0.7421875}
...................................................................................................
Pass 0, Batch 300, Cost 1.668833, {'classification_ error _evaluator': 0.6875}
..........................................................................................
Test with Pass 0, {'classification_ error _evaluator': 0.885200023651123}

图12 是训练的分类错误率曲线图，运行到第 200 个 pass 后基本收敛，最终得到测试集上分类错误率为 8.54%。

图12. CIFAR10 数据集上 VGG 模型的分类错误率

应用模型

可以使用训练好的模型对图片进行分类，下面程序展示了如何使用paddle.infer接口进行推断，可以打开注释，更改加载的模型。

from PIL import Image
import numpy as np
import os
def load_image(file):
    im = Image.open(file)
    im = im.resize((32, 32), Image.ANTIALIAS)
    im = np.array(im).astype(np.float32)
    # PIL 打开图片存储顺序为 H(高度)，W(宽度)，C(通道)。
    # PaddlePaddle 要求数据顺序为 CHW，所以需要转换顺序。
    im = im.transpose((2, 0, 1)) # CHW
    # CIFAR 训练图片通道顺序为B(蓝),G(绿),R(红),
    # 而PIL打开图片默认通道顺序为RGB,因为需要交换通道。
    im = im[(2, 1, 0),:,:] # BGR
    im = im.flatten()
    im = im / 255.0
    return im

test_data = []
cur_dir = os.getcwd()
test_data.append((load_image(cur_dir + '/image/dog.png'),))

# with open('params_pass _50.tar', 'r') as f:
# parameters = paddle.parameters.Parameters.from_tar(f)

probs = paddle.infer(
    output_layer=out, parameters=parameters, input=test_data)
lab = np.argsort(-probs) # probs and lab are the results of one batch data
print "Label of image/dog.png is: %d" % lab[0][0]

总结

传统图像分类方法由多个阶段构成，框架较为复杂，而端到端的 CNN 模型结构可一步到位，而且大幅度提升了分类准确率。

• 本文我们首先介绍 VGG 、GoogleNet、 ResNet 三个经典的模型；
• 然后基于 CIFAR10 数据集，介绍如何使用 PaddlePaddle 配置和训练CNN 模型，尤其是 VGG 和 ResNet 模型；
• 最后介绍如何使用 PaddlePaddle 的 API 接口对图片进行预测和特征提取。对于其他数据集比如 ImageNet ，配置和训练流程是同样的，大家可以自行进行实验。

参考文献

[1] D. G. Lowe, Distinctive image features from scale-invariant keypoints. IJCV, 60(2):91-110, 2004.

[2] N. Dalal, B. Triggs, Histograms of Oriented Gradients for Human Detection, Proc. IEEE Conf. Computer Vision and Pattern Recognition, 2005.

[3] Ahonen, T., Hadid, A., and Pietikinen, M. (2006). Face description with local binary patterns: Application to face recognition. PAMI, 28.

[4] J. Sivic, A. Zisserman, Video Google: A Text Retrieval Approach to Object Matching in Videos, Proc. Ninth Int’l Conf. Computer Vision, pp. 1470-1478, 2003.

[5] B. Olshausen, D. Field, Sparse Coding with an Overcomplete Basis Set: A Strategy Employed by V1?, Vision Research, vol. 37, pp. 3311-3325, 1997.

[6] Wang, J., Yang, J., Yu, K., Lv, F., Huang, T., and Gong, Y. (2010). Locality-constrained Linear Coding for image classification. In CVPR.

[7] Perronnin, F., Sánchez, J., & Mensink, T. (2010). Improving the fisher kernel for large-scale image classification. In ECCV (4).

[8] Lin, Y., Lv, F., Cao, L., Zhu, S., Yang, M., Cour, T., Yu, K., and Huang, T. (2011). Large-scale image clas- sification: Fast feature extraction and SVM training. In CVPR.

[9] Krizhevsky, A., Sutskever, I., and Hinton, G. (2012). [ ImageNet classification with deep convolutional neu- ral networks](http://www.cs.toronto.edu/~kriz/ ImageNet _classification_with_deep_convolutional.pdf). In NIPS.

[10] G.E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R.R. Salakhutdinov. Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580, 2012.

[11] K. Chatfield, K. Simonyan, A. Vedaldi, A. Zisserman. Return of the Devil in the Details: Delving Deep into Convolutional Nets. BMVC, 2014。

[12] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A., Going deeper with convolutions. In: CVPR. (2015)

[13] Lin, M., Chen, Q., and Yan, S. Network in network. In Proc. ICLR, 2014.

[14] S. Ioffe and C. Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In ICML, 2015.

[15] K. He, X. Zhang, S. Ren, J. Sun. Deep Residual Learning for Image Recognition. CVPR 2016.

[16] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. Rethinking the incep-tion architecture for computer vision. In: CVPR. (2016).

[17] Szegedy, C., Ioffe, S., Vanhoucke, V. Inception-v4, inception-resnet and the impact of residual connections on learning. arXiv:1602.07261 (2016).

[18] Everingham, M., Eslami, S. M. A., Van Gool, L., Williams, C. K. I., Winn, J. and Zisserman, A. The Pascal Visual Object Classes Challenge: A Retrospective. International Journal of Computer Vision, 111(1), 98-136, 2015.

[19] He, K., Zhang, X., Ren, S., and Sun, J. Delving Deep into Rectifiers: Surpass ing Human-Level Performance on ImageNet Classification. ArXiv e-prints, February 2015.

[20] http://deeplearning.net/tutorial/lenet.html

[21] https://www.cs.toronto.edu/~kriz/cifar.html

[22] http://cs231n.github.io/classification/

本教程 由 PaddlePaddle 创作，采用 知识共享 署名-相同方式共享 4.0 国际 许可协议进行许可。