用Theano学习Deep Learning（三）：卷积神经网络

 题目是CNN，但是CNN的具体原理和之后会写一篇博客在deeplearning目录下详细说明。

简单地说，CNN与NN相比独特之处在于用部分连接代替全链接，并用pooling来对数据进行降维，这样做有几个好处：

1. 对于大图像来说所需训练的参数大大减少

2. 获取图像的部分特征而非全局特征

3. pooling使得网络的输出结果具有一定的平移和遮挡不变性

4. demo见：（效果还是挺好的，当年华尔街银行用来读支票）

这里主要说代码。

1、类：LeNetConvPoolLayer

• 包括了一次卷积和一次pooling，一共两层。

• 初始化参数输入数据，输入图片大小，卷积核大小，池化大小

• 池化并不使用平均值，而是使用最大值作为输出

• 中间参数有卷积核W，偏置b，卷积输出和偏置输出，整体输出=tanh（池化输出+偏置）

• W和b合并成一个列表params

2、类：evaluate_lenet5

• 包括了两个LeNetConvPoolLayer（Layer0，1）和两层神经网络（Layer2，3）

• 第一层神经节点用类：HiddentLayer，第二层用类：OutputLayer（MLP中的内容，以后补）

• test_model和validate_model：输入一个样本，输出与label的误差

• 四层的函数并在一起：params = layer3.params + layer2.params + layer1.params + layer0.params（可以这样？没见过），用grads = T.grad(cost, params)求偏导，好方便。

• train_model中用update功能更新参数（更快，update表用for循环构建）

用到的两个类大概就是这个样子。

训练过程中的要点：

• 两层循环，一层逐个样本训练，参数minibatch_index；一层循环训练总样本，参数epoch；iter表示已经学习次数

• 参数patience表示最大iter数，初始化维10000，若在评价中发现训练表现良好则翻倍

• 每到validation_frequency则评价一次，若当前误差比最好误差好0.995则翻倍patience

• iter>=patience || epochs>=n_epoch 则停止训练

训练过程大概就是这个样子。

 

一点感想：

• 这次一段代码看下来，对python的class有了更深的理解。

• 就目前的理解，第一次调用class，class会自动初始化里面的参数；

• 以后每次调用class的函数，class都会自动从头跑一次，更新里面的参数并输出给function

• 所以一个class is better than c里面的一个function（因为c里面只能计算，而python里面把结构搭建起来了而且保存参数）

 

• Theano.tensor下的shape[]和dimshuffle[]具体用法还不懂

• 另外这个代码下多处用到了for循环，matlab里面是很忌讳for的。为什么这里却很常用，反而少见矩阵运算了？

• validation_losses = [validate_model(i) for i in xrange(n_valid_batches)]  用法很高级

• params = layer3.params + layer2.params + layer1.params + layer0.params 是合并表的意思？

• 用update来更新参数，快准狠！

 

 下面是自己自己一行一行读代码写并写上的中文注释。

This implementation simplifies the model in the following ways: - LeNetConvPool doesn't implement location-specific gain and bias parameters - LeNetConvPool doesn't implement pooling by average, it implements pooling   by max. - Digit classification is implemented with a logistic regression rather than   an RBF network - LeNet5 was not fully-connected convolutions at second layer"""import cPickleimport gzipimport osimport sysimport timeimport numpyimport theanoimport theano.tensor as Tfrom theano.tensor.signal import downsamplefrom theano.tensor.nnet import convfrom logistic_sgd import LogisticRegression, load_datafrom mlp import HiddenLayerclass LeNetConvPoolLayer(object):    """Pool Layer of a convolutional network """    def __init__(self, rng, input, filter_shape, image_shape, poolsize=(2, 2)):        """        Allocate a LeNetConvPoolLayer with shared variable internal parameters.        :type rng: numpy.random.RandomState        :param rng: a random number generator used to initialize weights        :type input: theano.tensor.dtensor4        :param input: symbolic image tensor, of shape image_shape        :type filter_shape: tuple or list of length 4        :param filter_shape: (number of filters, num input feature maps,                              filter height,filter width)        :type image_shape: tuple or list of length 4        :param image_shape: (batch size, num input feature maps,                             image height, image width)        :type poolsize: tuple or list of length 2        :param poolsize: the downsampling (pooling) factor (#rows,#cols)        """        assert image_shape[1] == filter_shape[1]        self.input = input        # there are "num input feature maps * filter height * filter width"        # inputs to each hidden unit        fan_in = numpy.prod(filter_shape[1:])        # each unit in the lower layer receives a gradient from:        # "num output feature maps * filter height * filter width" /        #   pooling size        fan_out = (filter_shape[0] * numpy.prod(filter_shape[2:]) /                   numpy.prod(poolsize))        # initialize weights with random weights        W_bound = numpy.sqrt(6. / (fan_in + fan_out))        self.W = theano.shared(numpy.asarray(            rng.uniform(low=-W_bound, high=W_bound, size=filter_shape),            dtype=theano.config.floatX),                               borrow=True)        # the bias is a 1D tensor -- one bias per output feature map        b_values = numpy.zeros((filter_shape[0],), dtype=theano.config.floatX)                  self.b = theano.shared(value=b_values, borrow=True)        # convolve input feature maps with filters        conv_out = conv.conv2d(input=input, filters=self.W,                             #卷积函数，用W卷积不加偏置                filter_shape=filter_shape, image_shape=image_shape)        # downsample each feature map individually, using maxpooling        pooled_out = downsample.max_pool_2d(input=conv_out,                             #pooling，用max不用mean，不重叠                                            ds=poolsize, ignore_border=True)        # add the bias term. Since the bias is a vector (1D array), we first        # reshape it to a tensor of shape (1,n_filters,1,1). Each bias will        # thus be broadcasted across mini-batches and feature map        # width & height        self.output = T.tanh(pooled_out + self.b.dimshuffle('x', 0, 'x', 'x'))          #卷积层池化后加上偏置用tanh输出，dimshuffle()将向量整形为矩阵，具体不懂        # store parameters of this layer        self.params = [self.W, self.b]                                                  #卷积核+偏置并为参数  #学习率=0.1， 学习次数=200， nkerns=[20,50]表示第一层20个核，第二层50个核； 补丁大小：500？？？？def evaluate_lenet5(learning_rate=0.1, n_epochs=200,                                                      dataset='../data/mnist.pkl.gz',                    nkerns=[20, 50], batch_size=500):    """ Demonstrates lenet on MNIST datasets    :type learning_rate: float    :param learning_rate: learning rate used (factor for the stochastic                          gradient)    :type n_epochs: int    :param n_epochs: maximal number of epochs to run the optimizer    :type dataset: string    :param dataset: path to the dataset used for training /testing (MNIST here)    :type nkerns: list of ints    :param nkerns: number of kernels on each layer    """    rng = numpy.random.RandomState(23455)                                               #随机数做种    datasets = load_data(dataset)                                                       #读入数据    train_set_x, train_set_y = datasets[0]                                              #传递三部分数据（解包）    valid_set_x, valid_set_y = datasets[1]    test_set_x, test_set_y = datasets[2]    # compute number of minibatches for training, validation and testing                #表示数据可以借用提高GPU运算速率，shape[0],作用为止    n_train_batches = train_set_x.get_value(borrow=True).shape[0]    n_valid_batches = valid_set_x.get_value(borrow=True).shape[0]    n_test_batches = test_set_x.get_value(borrow=True).shape[0]    n_train_batches /= batch_size                                                       #样本总数量    n_valid_batches /= batch_size    n_test_batches /= batch_size    # allocate symbolic variables for the data    index = T.lscalar()  # index to a [mini]batch                                       #当前batch的下标    x = T.matrix('x')   # the data is presented as rasterized images                    #当前batch    y = T.ivector('y')  # the labels are presented as 1D vector of                      #当前batch的标签                        # [int] labels    ishape = (28, 28)  # this is the size of MNIST images    ######################    # BUILD ACTUAL MODEL #    ######################    print '... building the model'    # Reshape matrix of rasterized images of shape (batch_size,28*28)    # to a 4D tensor, compatible with our LeNetConvPoolLayer    layer0_input = x.reshape((batch_size, 1, 28, 28))                                   #input是reshape的x    # Construct the first convolutional pooling layer:    # filtering reduces the image size to (28-5+1,28-5+1)=(24,24)    # maxpooling reduces this further to (24/2,24/2) = (12,12)    # 4D output tensor is thus of shape (batch_size,nkerns[0],12,12)    #初始化第一个卷积池化layer，input = layer0_input    layer0 = LeNetConvPoolLayer(rng, input=layer0_input,            image_shape=(batch_size, 1, 28, 28),            filter_shape=(nkerns[0], 1, 5, 5), poolsize=(2, 2))    # Construct the second convolutional pooling layer    # filtering reduces the image size to (12-5+1,12-5+1)=(8,8)    # maxpooling reduces this further to (8/2,8/2) = (4,4)    # 4D output tensor is thus of shape (nkerns[0],nkerns[1],4,4)    #初始化第二个卷积池化layer , input = layer0_output    layer1 = LeNetConvPoolLayer(rng, input=layer0.output,            image_shape=(batch_size, nkerns[0], 12, 12),            filter_shape=(nkerns[1], nkerns[0], 5, 5), poolsize=(2, 2))    # the TanhLayer being fully-connected, it operates on 2D matrices of    # shape (batch_size,num_pixels) (i.e matrix of rasterized images).    # This will generate a matrix of shape (20,32*4*4) = (20,512)    #layer2是第一层全连接层，拉平后的池化层作为输入    layer2_input = layer1.output.flatten(2)    # construct a fully-connected sigmoidal layer    # 用隐藏层的类表示    layer2 = HiddenLayer(rng, input=layer2_input, n_in=nkerns[1] * 4 * 4,                         n_out=500, activation=T.tanh)    # classify the values of the fully-connected sigmoidal layer    # 输出是逻辑回归层    layer3 = LogisticRegression(input=layer2.output, n_in=500, n_out=10)    # the cost we minimize during training is the NLL of the model    # 代价函数值用negative_log_likelihood来算，（自带的？）    cost = layer3.negative_log_likelihood(y)    # create a function to compute the mistakes that are made by the model    # 定义一个函数，计算输出层的误差，用givens来覆盖全局变量    test_model = theano.function([index], layer3.errors(y),             givens={                x: test_set_x[index * batch_size: (index + 1) * batch_size],                y: test_set_y[index * batch_size: (index + 1) * batch_size]})    ## 同上定义一个函数，计算输出层的误差，用givens来覆盖全局变量    validate_model = theano.function([index], layer3.errors(y),            givens={                x: valid_set_x[index * batch_size: (index + 1) * batch_size],                y: valid_set_y[index * batch_size: (index + 1) * batch_size]})    # create a list of all model parameters to be fit by gradient descent    # 各层参数合并    params = layer3.params + layer2.params + layer1.params + layer0.params    # create a list of gradients for all model parameters    # 利用自带的函数计算各参数的偏导    grads = T.grad(cost, params)    # train_model is a function that updates the model parameters by    # SGD Since this model has many parameters, it would be tedious to    # manually create an update rule for each model parameter. We thus    # create the updates list by automatically looping over all    # (params[i],grads[i]) pairs.    # 更新参数十分麻烦， 创建一个叫做updates的list来自动更新（？为什么要用for，这样不会很慢吗？——坟蛋这不是matlab！）    updates = []    for param_i, grad_i in zip(params, grads):        updates.append((param_i, param_i - learning_rate * grad_i))    # 定义训练函数，输出cost并用update 的方法更新参数    train_model = theano.function([index], cost, updates=updates,          givens={            x: train_set_x[index * batch_size: (index + 1) * batch_size],            y: train_set_y[index * batch_size: (index + 1) * batch_size]})    ###############    # TRAIN MODEL #    ###############    print '... training'    # early-stopping parameters                                              patience = 10000  # look as this many examples regardless     patience_increase = 2  # wait this much longer when a new best is  如果训练误差良好的话训练的次数变为两倍                           # found    improvement_threshold = 0.995  # a relative improvement of this much is 如果误差小于上一次误差的0.995，patience increase                                   # considered significant    validation_frequency = min(n_train_batches, patience / 2)  #评价训练效果的频率，这个数值为什么这么取我不清楚                                  # go through this manually                                  # minibatche before checking the network                                  # on the validation set; in this case we                                  # check every epoch    best_params = None    best_validation_loss = numpy.inf    best_iter = 0    test_score = 0.    start_time = time.clock()    epoch = 0    done_looping = False    while (epoch < n_epochs) and (not done_looping):                        #总体样本训练次数        epoch = epoch + 1        for minibatch_index in xrange(n_train_batches):                     #逐个样本训练            iter = (epoch - 1) * n_train_batches + minibatch_index          #到目前为止总的训练次数            if iter % 100 == 0:                                             #每训练100次输出一个提示，提示训练次数                print 'training @ iter = ', iter            cost_ij = train_model(minibatch_index)                          #训练一次            if (iter + 1) % validation_frequency == 0:                      #到达需要进行一次评价的次数，对学习结果进行评价                # compute zero-one loss on validation set                   #利用for循环和validation_modle(index)返回所有评价样本的误差值并构造一个表                validation_losses = [validate_model(i) for i                                     in xrange(n_valid_batches)]                this_validation_loss = numpy.mean(validation_losses)        #当前误差值=当前平均                print('epoch %i, minibatch %i/%i, validation error %f %%' % \                      (epoch, minibatch_index + 1, n_train_batches, \                       this_validation_loss * 100.))                # if we got the best validation score until now                if this_validation_loss < best_validation_loss:             #如果当 前平均误差<(最好误差*阀值)，证明参数还有很大的优化空间，加倍训练次数                    #improve patience if loss improvement is good enough                    if this_validation_loss < best_validation_loss *  \                       improvement_threshold:                        patience = max(patience, iter * patience_increase)                    # save best validation score and iteration number                    best_validation_loss = this_validation_loss                    best_iter = iter                    # test it on the test set                    test_losses = [test_model(i) for i in xrange(n_test_batches)]  #用测试样本对模型参数进行评价                    test_score = numpy.mean(test_losses)                           #这里有个tip：应为参数使用train集合训练使用validation集合进行评价；                    print(('     epoch %i, minibatch %i/%i, test error of best '   #所以参数的拟合是会偏向那两个集合的特征的，所以要是用全新的集合来得到参数的客观表现                           'model %f %%') %                                        #在各种训练中，样本都要分为训练样本、评价(拟合)样本和测试样本进行使用，比例大概是6:2:2，这里是 5:1:1                          (epoch, minibatch_index + 1, n_train_batches,                           test_score * 100.))            if patience <= iter:                                               #如果没耐性了（到达最大训练次数），就停止训练                done_looping = True                break    #下面就是计时啊评价啊什么什么的    end_time = time.clock()    print('Optimization complete.')    print('Best validation score of %f %% obtained at iteration %i,'\          'with test performance %f %%' %          (best_validation_loss * 100., best_iter + 1, test_score * 100.))    print >> sys.stderr, ('The code for file ' +                          os.path.split(__file__)[1] +                          ' ran for %.2fm' % ((end_time - start_time) / 60.))if __name__ == '__main__':    evaluate_lenet5()def experiment(state, channel):    evaluate_lenet5(state.learning_rate, dataset=state.dataset)