Torch7 教程 Supervised Learning CNN

全部代码放在：https://github.com/guoyilin/CNN_Torch7

在搭建好Torch7之后，我们开始进行监督式Supervised Learning for CNN, Torch7提供了代码和一些说明文件：

http://code.madbits.com/wiki/doku.php?id=tutorial_supervised_1_data　和http://torch.cogbits.com/doc/tutorials_supervised/说的比较详细。

结合http://ufldl.stanford.edu/wiki/index.php/Feature_extraction_using_convolution了解ＣＮＮ的做法，最关键的是要熟悉http://ufldl.stanford.edu/wiki/index.php/Backpropagation_Algorithm　算法的主要做法。ｂｐ算法的目的是为了一次性计算所有的参数导数，该算法利用了ｃｈａｉｎ　ｒｕｌｅ进行ｅｒｒｏｒ的后向传播。这篇文章写了bp算法: http://neuralnetworksanddeeplearning.com/chap2.html, 写的比较详细。

如果背景不熟悉，可以看看Linear Classification, Neutral Network, SGD算法。

由于该教程使用了torch自己的数据格式，因此如果你要使用自己的数据，需要预先转换下。这里我训练的是图像分类，因此可以使用

https://github.com/clementfarabet/graphicsmagick 进行数据的加载。

如下是加载图像的代码：

[plain] view plaincopy

1. height = 200  
2. width = 200  
3. --see if the file exists  
4. function file_exists(file)  
5.   local f = io.open(file, "rb")  
6.   if f then f:close() end  
7.   return f ~= nil  
8. end  
9.   
10. function read_file (file)  
11.   if not file_exists(file) then return {} end  
12.   lines = {}  
13.   for line in io.lines(file) do  
14.     lines[#lines + 1] = line  
15.   end  
16.   return lines  
17. end  
18.   
19. -- read all label name. hash them to id.  
20. labels_id = {}  
21. label_lines = read_file('labels.txt')  
22. for i = 1, #label_lines do  
23.   labels_id[label_lines[i]] = i  
24. end  
25.   
26. -- read train data. iterate train.txt  
27.   
28. local train_lines = read_file("train.txt")  
29. local train_features = torch.Tensor(#train_lines, 3, height, width) -- dimension: sample number, YUV, height, width  
30. local train_labels = torch.Tensor(#train_lines) -- dimension: sample number  
31.   
32. for i = 1, #train_lines do  
33.   local image = gm.Image("/train_images/" .. train_lines[i])  
34.   image:size(width, height)  
35.   img_yuv = image:toTensor('float', 'YUV', 'DHW')  
36.   --print(img_yuv:size())  
37.   --print(img_yuv:size())  
38.   train_features[i] = img_yuv  
39.   local label_name = train_lines[i]:match("([^,]+)/([^,]+)")  
40.   train_labels[i] = labels_id[label_name]  
41.   --print(train_labels[i])  
42.   if(i % 100 == 0) then  
43.     print("train data: " .. i)  
44.   end  
45. end  
46.   
47. trainData = {  
48.   data = train_features:transpose(3,4),  
49.   labels = train_labels,  
50.   --size = function() return #train_lines end  
51.   size = function() return #train_lines end  
52. }  
53.   
54. -- read test data. iterate test.txt  
55. local test_lines = read_file("test.txt")  
56.   
57. local test_features = torch.Tensor(#test_lines, 3, height, width) -- dimension: sample number, YUV, height, width  
58. local test_labels = torch.Tensor(#test_lines) -- dimension: sample number  
59.   
60. for i = 1, #test_lines do  
61.   -- if image size is zero, gm.Imge may throw error, we need to dispose it later.  
62.   local image = gm.Image("test_images/" .. test_lines[i])  
63.   --print(test_lines[i])  
64.   
65.   image:size(width, height)  
66.   local img_yuv = image:toTensor('float', 'YUV', 'DHW')  
67.   --print(img_yuv:size())  
68.   test_features[i] = img_yuv  
69.   local label_name = test_lines[i]:match("([^,]+)/([^,]+)")  
70.   test_labels[i] = labels_id[label_name]  
71.   --print(test_labels[i])  
72.   if(i % 100 == 0) then  
73.     print("test data: " .. i)  
74.   end  
75. end  
76.   
77. testData = {  
78.   data = test_features:transpose(3,4),  
79.   labels = test_labels,  
80.   --size = function() return #test_lines end  
81.   size = function() return #test_lines end  
82. }  
83. trsize = #train_lines  
84. tesize = #test_lines  

由于图像的大小从32*32变成了200*200， 因此需要修改相应的model中的每一层的大小。

假定其他层没有变化，最后一层需要修改：

[plain] view plaincopy

1. -- stage 3 : standard 2-layer neural network  
2.  model:add(nn.Reshape(nstates[2]*47*47))  
3.  model:add(nn.Linear(nstates[2]*47*47, nstates[3]))  
4.  model:add(nn.Tanh())  
5.  model:add(nn.Linear(nstates[3], noutputs))  

版权声明：本文为博主原创文章，未经博主允许不得转载。