计算机视觉（下）

  part2图像分类

目录 

• LeNet
  • LeNet在手写数字识别上的应用
• LeNet 识别手写数字
  • LeNet在眼疾识别数据集iChallenge-PM上的应用
    • 数据集准备
    • 查看数据集图片
    • 定义数据读取器
      • 启动训练
• AlexNet
• VGG
• GoogLeNet
• ResNet
• 小结
  • 参考文献

图像分类是根据 图像的语义信息 对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。图像分类在许多领域都有着广泛的应用，如：

 

• 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

上一节主要介绍了卷积神经网络常用的一些基本模块，本节将基于眼疾分类数据集iChallenge-PM，对图像分类领域的经典卷积神经网络进行剖析，介绍如何应用这些基础模块构建卷积神经网络，解决图像分类问题。涵盖如下卷积神经网络：

• LeNet：Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上[1]，在手写数字识别任务上取得了巨大成功。

• AlexNet：Alex Krizhevsky等人在2012年提出了AlexNet[2], 并应用在大尺寸图片数据集ImageNet上，获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge，ILSVRC）。

• VGG：Simonyan和Zisserman于2014年提出了VGG网络结构[3]，是当前最流行的卷积神经网络之一，由于其结构简单、应用性极强而深受广大研究者欢迎。

• GoogLeNet：Christian Szegedy等人在2014提出了GoogLeNet[4]，并取得了2014年ImageNet比赛冠军。

• ResNet：Kaiming He等人在2015年提出了ResNet[5]，通过引入残差模块加深网络层数，在ImagNet数据集上的错误率降低到3.6%，超越了人眼识别水平。ResNet的设计思想深刻地影响了后来的深度神经网络的设计。

---

LeNet

LeNet是最早的卷积神经网络之一[1]。1998年，Yan LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。LeNet通过连续使用卷积和池化层的组合提取图像特征，其架构如 图1 所示，这里展示的是作者论文中的LeNet-5模型：
 

                                                                   图1：LeNet模型网络结构示意图

 

• 第一模块：包含5×5的6通道卷积和2×2的池化。卷积提取图像中包含的特征模式（激活函数使用sigmoid），图像尺寸从32减小到28。经过池化层可以降低输出特征图对空间位置的敏感性，图像尺寸减到14。

• 第二模块：和第一模块尺寸相同，通道数由6增加为16。卷积操作使图像尺寸减小到10，经过池化后变成5。

• 第三模块：包含5×5的120通道卷积。卷积之后的图像尺寸减小到1，但是通道数增加为120。将经过第3次卷积提取到的特征图输入到全连接层。第一个全连接层的输出神经元的个数是64，第二个全连接层的输出神经元个数是分类标签的类别数，对于手写数字识别其大小是10。然后使用Softmax激活函数即可计算出每个类别的预测概率。

---

【提示】：

卷积层的输出特征图如何当作全连接层的输入使用呢？

卷积层的输出数据格式是[N,C,H,W][N, C, H, W][N,C,H,W]，在输入全连接层的时候，会自动将数据拉平，

也就是对每个样本，自动将其转化为长度为KKK的向量，

其中K=C×H×WK = C \times H \times WK=C×H×W，一个mini-batch的数据维度变成了N×KN\times KN×K的二维向量。

---

LeNet在手写数字识别上的应用

LeNet网络的实现代码如下：

1. # 导入需要的包

2. import paddle

3. import paddle.fluid as fluid

4. import numpy as np

5. from paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linear

6.  

7. # 定义 LeNet 网络结构

8. class LeNet(fluid.dygraph.Layer):

9. def __init__(self, num_classes=1):

10. super(LeNet, self).__init__()

11.  

12. # 创建卷积和池化层块，每个卷积层使用Sigmoid激活函数，后面跟着一个2x2的池化

13. self.conv1 = Conv2D(num_channels=1, num_filters=6, filter_size=5, act='sigmoid')

14. self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')

15. self.conv2 = Conv2D(num_channels=6, num_filters=16, filter_size=5, act='sigmoid')

16. self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')

17. # 创建第3个卷积层

18. self.conv3 = Conv2D(num_channels=16, num_filters=120, filter_size=4, act='sigmoid')

19. # 创建全连接层，第一个全连接层的输出神经元个数为64， 第二个全连接层输出神经元个数为分类标签的类别数

20. self.fc1 = Linear(input_dim=120, output_dim=64, act='sigmoid')

21. self.fc2 = Linear(input_dim=64, output_dim=num_classes)

22. # 网络的前向计算过程

23. def forward(self, x):

24. x = self.conv1(x)

25. x = self.pool1(x)

26. x = self.conv2(x)

27. x = self.pool2(x)

28. x = self.conv3(x)

29. x = fluid.layers.reshape(x, [x.shape[0], -1])

30. x = self.fc1(x)

31. x = self.fc2(x)

32. return x

33.  

下面的程序使用随机数作为输入，查看经过LeNet-5的每一层作用之后，输出数据的形状

1. # 输入数据形状是 [N, 1, H, W]

2. # 这里用np.random创建一个随机数组作为输入数据

3. x = np.random.randn(*[3,1,28,28])

4. x = x.astype('float32')

5. with fluid.dygraph.guard():

6. # 创建LeNet类的实例，指定模型名称和分类的类别数目

7. m = LeNet(num_classes=10)

8. # 通过调用LeNet从基类继承的sublayers()函数，

9. # 查看LeNet中所包含的子层

10. print(m.sublayers())

11. x = fluid.dygraph.to_variable(x)

12. for item in m.sublayers():

13. # item是LeNet类中的一个子层

14. # 查看经过子层之后的输出数据形状

15. try:

16. x = item(x)

17. except:

18. x = fluid.layers.reshape(x, [x.shape[0], -1])

19. x = item(x)

20. if len(item.parameters())==2:

21. # 查看卷积和全连接层的数据和参数的形状，

22. # 其中item.parameters()[0]是权重参数w，item.parameters()[1]是偏置参数b

23. print(item.full_name(), x.shape, item.parameters()[0].shape, item.parameters()[1].shape)

24. else:

25. # 池化层没有参数

26. print(item.full_name(), x.shape)

1. [, , , , , , ]

2. conv2d_0 [3, 6, 24, 24] [6, 1, 5, 5] [6]

3. pool2d_0 [3, 6, 12, 12]

4. conv2d_1 [3, 16, 8, 8] [16, 6, 5, 5] [16]

5. pool2d_1 [3, 16, 4, 4]

6. conv2d_2 [3, 120, 1, 1] [120, 16, 4, 4] [120]

7. linear_0 [3, 64] [120, 64] [64]

8. linear_1 [3, 10] [64, 10] [10]

LeNet 识别手写数字

1. # -*- coding: utf-8 -*-

2.  

3. # LeNet 识别手写数字

4.  

5. import os

6. import random

7. import paddle

8. import paddle.fluid as fluid

9. import numpy as np

10.  

11. # 定义训练过程

12. def train(model):

13. print('start training ... ')

14. model.train()

15. epoch_num = 5

16. opt = fluid.optimizer.Momentum(learning_rate=0.001, momentum=0.9, parameter_list=model.parameters())

17. # 使用Paddle自带的数据读取器

18. train_loader = paddle.batch(paddle.dataset.mnist.train(), batch_size=10)

19. valid_loader = paddle.batch(paddle.dataset.mnist.test(), batch_size=10)

20. for epoch in range(epoch_num):

21. for batch_id, data in enumerate(train_loader()):

22. # 调整输入数据形状和类型

23. x_data = np.array([item[0] for item in data], dtype='float32').reshape(-1, 1, 28, 28)

24. y_data = np.array([item[1] for item in data], dtype='int64').reshape(-1, 1)

25. # 将numpy.ndarray转化成Tensor

26. img = fluid.dygraph.to_variable(x_data)

27. label = fluid.dygraph.to_variable(y_data)

28. # 计算模型输出

29. logits = model(img)

30. # 计算损失函数

31. loss = fluid.layers.softmax_with_cross_entropy(logits, label)

32. avg_loss = fluid.layers.mean(loss)

33. if batch_id % 1000 == 0:

34. print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy()))

35. avg_loss.backward()

36. opt.minimize(avg_loss)

37. model.clear_gradients()

38.  

39. model.eval()

40. accuracies = []

41. losses = []

42. for batch_id, data in enumerate(valid_loader()):

43. # 调整输入数据形状和类型

44. x_data = np.array([item[0] for item in data], dtype='float32').reshape(-1, 1, 28, 28)

45. y_data = np.array([item[1] for item in data], dtype='int64').reshape(-1, 1)

46. # 将numpy.ndarray转化成Tensor

47. img = fluid.dygraph.to_variable(x_data)

48. label = fluid.dygraph.to_variable(y_data)

49. # 计算模型输出

50. logits = model(img)

51. pred = fluid.layers.softmax(logits)

52. # 计算损失函数

53. loss = fluid.layers.softmax_with_cross_entropy(logits, label)

54. acc = fluid.layers.accuracy(pred, label)

55. accuracies.append(acc.numpy())

56. losses.append(loss.numpy())

57. print("[validation] accuracy/loss: {}/{}".format(np.mean(accuracies), np.mean(losses)))

58. model.train()

59.  

60. # 保存模型参数

61. fluid.save_dygraph(model.state_dict(), 'mnist')

62.  
63.  

64. if __name__ == '__main__':

65. # 创建模型

66. with fluid.dygraph.guard():

67. model = LeNet(num_classes=10)

68. #启动训练过程

69. train(model)

1. start training ...

2. Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-images-idx3-ubyte.gz

3. Begin to download

4.  

5. Download finished

6. Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-labels-idx1-ubyte.gz

7. Begin to download

8. ........

9. Download finished

10. Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-images-idx3-ubyte.gz

11. Begin to download

12.  

13. Download finished

14. Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-labels-idx1-ubyte.gz

15. Begin to download

16. ..

17. Download finished

18. epoch: 0, batch_id: 0, loss is: [2.4476852]

19. epoch: 0, batch_id: 1000, loss is: [2.2948332]

20. epoch: 0, batch_id: 2000, loss is: [2.334548]

21. epoch: 0, batch_id: 3000, loss is: [2.283103]

22. epoch: 0, batch_id: 4000, loss is: [2.2783697]

23. epoch: 0, batch_id: 5000, loss is: [2.3309145]

24. [validation] accuracy/loss: 0.10530000925064087/2.2899725437164307

25. epoch: 1, batch_id: 0, loss is: [2.2863708]

26. epoch: 1, batch_id: 1000, loss is: [2.276087]

27. epoch: 1, batch_id: 2000, loss is: [2.3081589]

28. epoch: 1, batch_id: 3000, loss is: [2.2395322]

29. epoch: 1, batch_id: 4000, loss is: [2.2013073]

30. epoch: 1, batch_id: 5000, loss is: [2.257289]

31. [validation] accuracy/loss: 0.554900050163269/2.004681348800659

32. epoch: 2, batch_id: 0, loss is: [1.9385501]

33. epoch: 2, batch_id: 1000, loss is: [1.5589781]

34. epoch: 2, batch_id: 2000, loss is: [1.3764482]

35. epoch: 2, batch_id: 3000, loss is: [0.8067332]

36. epoch: 2, batch_id: 4000, loss is: [0.6518642]

37. epoch: 2, batch_id: 5000, loss is: [0.77211165]

38. [validation] accuracy/loss: 0.8388999700546265/0.6187658905982971

39. epoch: 3, batch_id: 0, loss is: [0.41283408]

40. epoch: 3, batch_id: 1000, loss is: [0.40613115]

41. epoch: 3, batch_id: 2000, loss is: [0.4012765]

42. epoch: 3, batch_id: 3000, loss is: [0.15993488]

43. epoch: 3, batch_id: 4000, loss is: [0.27918053]

44. epoch: 3, batch_id: 5000, loss is: [0.23777664]

45. [validation] accuracy/loss: 0.9035999774932861/0.357360303401947

46. epoch: 4, batch_id: 0, loss is: [0.23886052]

47. epoch: 4, batch_id: 1000, loss is: [0.2531582]

48. epoch: 4, batch_id: 2000, loss is: [0.25078607]

49. epoch: 4, batch_id: 3000, loss is: [0.0727628]

50. epoch: 4, batch_id: 4000, loss is: [0.15234414]

51. epoch: 4, batch_id: 5000, loss is: [0.11065292]

52. [validation] accuracy/loss: 0.9294999241828918/0.25718018412590027