【TensorFlow實戰】TensorFlow實現經典卷積神經網路之VGGNet

標籤：str   height   style   這一   sum   allocator   scale   ring   objective   

VGGNet

　　VGGNet是牛津大學電腦視覺組與Google DeepMind公司的研究員一起研發的深度卷積神經網路。VGGNet探索了卷積神經網路的深度與其效能之間的關係，通過反覆堆疊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層的卷積神經網路。VGGNet相比於之前state-of-the-art網路結構，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，整個網路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映像特徵。VGGNet訓練後的模型參數在其官網上開源了，可用在domain specific的映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，通過不斷加深網路結構來提升效能。一為VGGNet各級網路結構，二為每一級的參數量，從11層的網路到19層的網路都有詳盡的效能測試。參數量大的是後面的全串連層，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，同時每段尾部會串連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對特徵的學習能力更強。

　　VGGNet在訓練時有個小技巧，先訓練層級A的網路，再複用A網路的權重來初始化後面的幾個複雜模型，這樣訓練收斂的速度更快。在預測時，VGG採用Multi-Scale的方法，將映像scale到一個尺寸Q，並將圖片輸入到神經網路計算。然後再最後一個卷積層使用滑窗的方式進行分類預測，將不用視窗的分類結果平均，再將不同尺寸Q的結果平均得到最後結果，這樣可以提高圖片資料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方法做資料增強，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，這樣能增加很多資料量，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獲得多個版本的資料，並將多個版本的資料合在一起訓練。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個不同等級的網路與Multi-Scale的D網路融合，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%，再使用其他最佳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，作者在對比各級網路時總結出以下幾個觀點：

1.LRN層作用不大；

2.越深的網路效果越好；

3.1*1的卷積也是很有效，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徵。

 

VGGNet-16實現：

from datetime import datetimeimport mathimport timeimport 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是卷積核心數量即輸出通道    # 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  # 擷取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# 定義全串連層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網路結構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)    # 到這裡，VGGNet-16的每一段網路都會將映像的邊長縮小一半，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    # 將第五段卷積網路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# 輸入資料依然是隨機產生的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=32num_batches=100run_benchmark()    

　　VGGNet-16的計算複雜度相比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路之VGGNet