Tensorflow使用Mobilenet实现CIFAR-10十分类(2)

前言

返回目录：总目录——深度学习代码实战

数周之前，有网友在博客（Mobilenet实现CIFAR-10十分类）下留言，说Mobilenet训练cifar10出现了过拟合，我这里倒是没有出现这种情况，考虑到之前写的代码比较粗糙，单纯的以重构模型为主，没有什么优化，没有图像增强，训练次数也不足，最后的正确率也算高。这两天趁着碎片时间，把之前写过的代码重新整理一下。

Mobilenet的完善

在上一篇博文的代码中是没有添加batch_normalization的，既然是要完善，还是按标准模型添加上BN层。在第一次代码修改之后，训练正常，然而测试的时候出现异常，每次测试正确率只有百分之十左右，显然是代码写的有问题。这里重新整理一下BN的用法：
使用tf.layers.batch_normalization()需要三步：

• 在卷积层将激活函数设置为None。
• 使用batch_normalization。
• 使用激活函数激活。

需要特别注意的是：在训练时，需要将第二个参数training = True。在测试时，将training = False。
同时，在降低loss时候时候：

    update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
    with tf.control_dependencies(update_ops):
        train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) # 将 损失函数 降到 最低

BN更多用法，请参考：tensorflow中batch normalization的用法

加入BN后的Mobilenet

import tensorflow as tf
import  os
import numpy as np
import pickle

# 文件存放目录
CIFAR_DIR = "./cifar-10-batches-py"


def load_data( filename ):
    '''read data from data file'''
    with open( filename, 'rb' ) as f:
        data = pickle.load( f, encoding='bytes' ) # python3 需要添加上encoding='bytes'
        return data[b'data'], data[b'labels'] # 并且 在 key 前需要加上 b

class CifarData:
    def __init__( self, filenames, need_shuffle ):
        '''参数1:文件夹 参数2:是否需要随机打乱'''
        all_data = []
        all_labels = []

        for filename in filenames:
            # 将所有的数据,标签分别存放在两个list中
            data, labels = load_data( filename )
            all_data.append( data )
            all_labels.append( labels )

        # 将列表 组成 一个numpy类型的矩阵!!!!
        self._data = np.vstack(all_data)
        # 对数据进行归一化, 尺度固定在 [-1, 1] 之间
        self._data = self._data / 127.5 - 1
        # 将列表,变成一个 numpy 数组
        self._labels = np.hstack( all_labels )
        # 记录当前的样本 数量
        self._num_examples = self._data.shape[0]
        # 保存是否需要随机打乱
        self._need_shuffle = need_shuffle
        # 样本的起始点
        self._indicator = 0
        # 判断是否需要打乱
        if self._need_shuffle:
            self._shffle_data()

    def _shffle_data( self ):
        # np.random.permutation() 从 0 到 参数,随机打乱
        p = np.random.permutation( self._num_examples )
        # 保存 已经打乱 顺序的数据
        self._data = self._data[p]
        self._labels = self._labels[p]

    def next_batch( self, batch_size ):
        '''return batch_size example as a batch'''
        # 开始点 + 数量 = 结束点
        end_indictor = self._indicator + batch_size
        # 如果结束点大于样本数量
        if end_indictor > self._num_examples:
            if self._need_shuffle:
                # 重新打乱
                self._shffle_data()
                # 开始点归零,从头再来
                self._indicator = 0
                # 重新指定 结束点. 和上面的那一句,说白了就是重新开始
                end_indictor = batch_size # 其实就是 0 + batch_size, 把 0 省略了
            else:
                raise Exception( "have no more examples" )
        # 再次查看是否 超出边界了
        if end_indictor > self._num_examples:
            raise Exception( "batch size is larger than all example" )

        # 把 batch 区间 的data和label保存,并最后return
        batch_data = self._data[self._indicator:end_indictor]
        batch_labels = self._labels[self._indicator:end_indictor]
        self._indicator = end_indictor
        return batch_data, batch_labels

# 拿到所有文件名称
train_filename = [os.path.join(CIFAR_DIR, 'data_batch_%d' % i) for i in range(1, 6)]
# 拿到标签
test_filename = [os.path.join(CIFAR_DIR, 'test_batch')]

# 拿到训练数据和测试数据
train_data = CifarData( train_filename, True )
test_data = CifarData( test_filename, False )


def separable_conv_block(x,  output_channel_number, name, is_train):
    '''
    mobilenet 卷积块
    :param x:
    :param output_channel_number:  输出通道数量 output channel of 1*1 conv layer
    :param name:
    :is_train: 是否进行卷积
    :return:
    '''
    with tf.variable_scope(name):
        input_channel = x.get_shape().as_list()[-1]
        # channel_wise_x: [channel1, channel2, ...]
        channel_wise_x = tf.split(x, input_channel, axis = 3)
        output_channels = []
        for i in range(len(channel_wise_x)):
            output_channel = tf.layers.conv2d(channel_wise_x[i],
                                              1,
                                              (3, 3),
                                              strides = (1, 1),
                                              padding = 'same',
                                              activation = None,
                                              name = 'conv_%d' % i
                                              )
            bn = tf.layers.batch_normalization(output_channel, training = is_train)
            new_output_channel = tf.nn.relu(bn)
            output_channels.append(new_output_channel)
        concat_layer = tf.concat(output_channels, axis = 3)
        conv1_1 = tf.layers.conv2d(concat_layer,
                                   output_channel_number,
                                   (1, 1),
                                   strides = (1, 1),
                                   padding = 'same',
                                   activation = None,
                                   name = name+'/conv1_1'
                                   )
        bn = tf.layers.batch_normalization(conv1_1, training = is_train)

        return tf.nn.relu(bn)





# 设计计算图
# 形状 [None, 3072] 3072 是 样本的维数, None 代表位置的样本数量
x = tf.placeholder( tf.float32, [None, 3072] )
# 形状 [None] y的数量和x的样本数是对应的
y = tf.placeholder( tf.int64, [None] )
# 设施 BN 的 flag
is_train = tf.placeholder(tf.bool, [])

# [None, ], eg: [0, 5, 6, 3]
x_image = tf.reshape( x, [-1, 3, 32, 32] )
# 将最开始的向量式的图片,转为真实的图片类型
x_image = tf.transpose( x_image, perm= [0, 2, 3, 1] )

# conv1:神经元 feature_map 输出图像  图像大小: 32 * 32
conv1 = tf.layers.conv2d( x_image,
                          32, # 输出的通道数(也就是卷积核的数量)
                          ( 3, 3 ), # 卷积核大小
                          padding = 'same',
                          activation = tf.nn.relu,
                          name = 'conv1'
                          )
# 池化层 图像输出为: 16 * 16
pooling1 = tf.layers.max_pooling2d( conv1,
                                    ( 2, 2 ), # 核大小 变为原来的 1/2
                                    ( 2, 2 ), # 步长
                                    name='pool1'
                                    )

separable_2a = separable_conv_block(pooling1,
                               32,
                               name = 'separable_2a',
                               is_train = is_train
                               )
separable_2b = separable_conv_block(separable_2a,
                               32,
                               name = 'separable_2b',
                               is_train = is_train
                               )

pooling2 = tf.layers.max_pooling2d( separable_2b,
                                    ( 2, 2 ), # 核大小 变为原来的 1/2
                                    ( 2, 2 ), # 步长
                                    name='pool2'
                                    )

separable_3a = separable_conv_block(pooling2,
                               32,
                               name = 'separable_3a',
                               is_train = is_train
                               )
separable_3b = separable_conv_block(separable_3a,
                               32,
                               name = 'separable_3b',
                               is_train = is_train
                               )

pooling3 = tf.layers.max_pooling2d( separable_3b,
                                    ( 2, 2 ), # 核大小 变为原来的 1/2
                                    ( 2, 2 ), # 步长
                                    name='pool3'
                                    )


flatten = tf.contrib.layers.flatten(pooling3)
y_ = tf.layers.dense(flatten, 10)


# 使用交叉熵 设置损失函数
loss = tf.losses.sparse_softmax_cross_entropy( labels = y, logits = y_ )
# 该api,做了三件事儿 1. y_ -> softmax 2. y -> one_hot 3. loss = ylogy

# 预测值 获得的是 每一行上 最大值的 索引.注意:tf.argmax()的用法,其实和 np.argmax() 一样的
predict = tf.argmax( y_, 1 )
# 将布尔值转化为int类型,也就是 0 或者 1, 然后再和真实值进行比较. tf.equal() 返回值是布尔类型
correct_prediction = tf.equal( predict, y )
# 比如说第一行最大值索引是6,说明是第六个分类.而y正好也是6,说明预测正确



# 将上句的布尔类型 转化为 浮点类型,然后进行求平均值,实际上就是求出了准确率
accuracy = tf.reduce_mean( tf.cast(correct_prediction, tf.float64) )

with tf.name_scope( 'train_op' ): #
    # 使用 BN 的时候，必须写上下面两句话
    update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
    with tf.control_dependencies(update_ops):
        train_op = tf.train.AdamOptimizer( 1e-3 ).minimize( loss ) # 将 损失函数 降到 最低

# 初始化变量
init = tf.global_variables_initializer()

batch_size = 20
train_steps = 100000
test_steps = 100
with tf.Session() as sess:
    sess.run( init ) # 注意: 这一步必须要有!!
    # 开始训练
    for i in range( train_steps ):
        # 得到batch
        batch_data, batch_labels = train_data.next_batch( batch_size )
        # 获得 损失值, 准确率
        loss_val, acc_val, _ = sess.run( [loss, accuracy, train_op], feed_dict={x:batch_data, y:batch_labels, is_train:True} )
        # 每 500 次 输出一条信息
        if ( i+1 ) % 200 == 0:
            print('[Train] Step: %d, loss: %4.5f, acc: %4.5f' % ( i+1, loss_val, acc_val ))
        # 每 5000 次 进行一次 测试
        if ( i+1 ) % 1000 == 0:
            # 获取数据集,但不随机
            test_data = CifarData( test_filename, False )
            all_test_acc_val = []
            for j in range( test_steps ):
                test_batch_data, test_batch_labels = test_data.next_batch( batch_size )
                test_acc_val = sess.run( [accuracy], feed_dict={ x:test_batch_data, y:test_batch_labels, is_train:False } )
                all_test_acc_val.append( test_acc_val )
            test_acc = np.mean( all_test_acc_val )

            print('[Test ] Step: %d, acc: %4.5f' % ( (i+1), test_acc ))

# 思想: 深度可分离卷积
# 精度也略有损失,但计算量会比较小, 另外 Inception v3 性价比比较高
# 将每个通道拆开,进行卷积,在将通道结果合并起来

'''
迭代一万次最终结果:
=====================================================
[Test ] Step: 10000, acc: 0.64450 
在没有使用batch_normalization的时候
一万次的精度是 0.64250, 提高的不明显
=====================================================


迭代十万次最终结果:
=====================================================
[Test ] Step: 100000, acc: 0.72950
=====================================================
'''

训练一万次的时候，正确率是0.64，和不加BN的时候好像也没有什么区别。训练十万次的时候，添加的BN的代码正确率是0.72，而没有加BN的代码则是0.69，看来还是高了一点点的。