Deeplearning4j 实战（5）：基于多层感知机的Mnist压缩以及在Spark实现

在上一篇博客中，我们用基于RBM的的Deep AutoEncoder对Mnist数据集进行压缩，应该说取得了不错的效果。这里，我们将神经网络这块替换成传统的全连接的前馈神经网络对Mnist数据集进行压缩，看看两者的效果有什么异同。整个代码依然是利用Deeplearning4j进行实现，并且为了方便以后的扩展，我们将其与Spark平台结合。下面，就具体来说一下模型的结构、训练过程以及最终的压缩效果。

首先，我们新建Maven工程并加入Deeplearning4j的相关依赖（这一块内容在之前的文章中多次提及，因此这里就不再啰嗦了）。接下来，我们新建Spark任务，读取已经存放在HDFS上的Mnist数据集（和之前文章中提到的一样，Mnist数据集已经事先以JavaRDD<DataSet>的形式存储在HDFS上，具体操作可以参考之前的博客。），并生成训练数据集JavaRDD。具体代码如下：

        SparkConf conf = new SparkConf()                            .set("spark.kryo.registrator", "org.nd4j.Nd4jRegistrator")                            .setAppName("MLP AutoEncoder Mnist(Java)");        JavaSparkContext jsc = new JavaSparkContext(conf);        //        final String inputPath = args[0];        final String savePath = args[1];        double lr = Double.parseDouble(args[2]);        final int batchSize = Integer.parseInt(args[3]);        final int numEpoch = Integer.parseInt(args[4]);        //        JavaRDD<DataSet> javaRDDMnist = jsc.objectFile(inputPath);//read mnist data from HDFS        JavaRDD<DataSet> javaRDDTrain = javaRDDMnist.map(new Function<DataSet, DataSet>() {            @Override            public DataSet call(DataSet next) throws Exception {                return new DataSet(next.getFeatureMatrix(),next.getFeatureMatrix());            }        });

构筑完训练数据集之后，我们就可以定义网络结构并配以相应的超参数：

        MultiLayerConfiguration netconf = new NeuralNetConfiguration.Builder()                .seed(123)                .iterations(1)                .learningRate(lr)                .learningRateScoreBasedDecayRate(0.5)                .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)                .updater(Updater.ADAM).adamMeanDecay(0.9).adamVarDecay(0.999)                .list()                .layer(0, new DenseLayer.Builder().nIn(784).nOut(1000).activation("relu").build())                .layer(1, new DenseLayer.Builder().nIn(1000).nOut(500).activation("relu").build())                .layer(2, new DenseLayer.Builder().nIn(500).nOut(250).activation("relu").build())                .layer(3, new DenseLayer.Builder().nIn(250).nOut(500).activation("relu").build())                .layer(4, new DenseLayer.Builder().nIn(500).nOut(1000).activation("relu").build())                .layer(5, new OutputLayer.Builder(LossFunctions.LossFunction.MSE)                                        .nIn(1000)                                        .nOut(784)                                        .activation("relu")                                        .build())                .backprop(true).pretrain(false)                .build();        ParameterAveragingTrainingMaster trainMaster = new ParameterAveragingTrainingMaster.Builder(batchSize)                                                            .workerPrefetchNumBatches(0)                                                            .saveUpdater(true)                                                            .averagingFrequency(5)                                                            .batchSizePerWorker(batchSize)                                                            .build();        MultiLayerNetwork net = new MultiLayerNetwork(netconf);        net.init();        SparkDl4jMultiLayer sparkNetwork = new SparkDl4jMultiLayer(jsc, net, trainMaster);        sparkNetwork.setListeners(Collections.<IterationListener>singletonList(new ScoreIterationListener(1)));

这里我们做一些简要的说明：我们一共定义了5层的神经网络，并且每一层都是普通的全连接网络。学习率等超参数可以通过入口参数传递进来，损失函数用的是均方误差。后面的ParameterAveragingTrainingMaster以及Spark网络的定义在之前的文章中有过说明，这里就略过了。

那么，接下来就是训练的代码：

for( int i = 0; i < numEpoch; ++i ){            sparkNetwork.fit(javaRDDTrain);   //train modek            System.out.println("----- Epoch " + i + " complete -----");            MultiLayerNetwork trainnet = sparkNetwork.getNetwork();System.out.println("Epoch " + i + " Score: " + sparkNetwork.getScore());List<DataSet> listDS = javaRDDTrain.takeSample(false, 50); for( DataSet ds : listDS ){ INDArray testFeature = ds.getFeatureMatrix(); INDArray testRes = trainnet.output(testFeature); System.out.println("Euclidean Distance: " + testRes.distance2(testFeature)); }DataSet first = listDS.get(0); INDArray testFeature = first.getFeatureMatrix(); double[] doubleFeature = testFeature.data().asDouble(); INDArray testRes = trainnet.output(testFeature); double[] doubleRes = testRes.data().asDouble(); for( int j = 0; j < doubleFeature.length && j < doubleRes.length; ++j ){ double f = doubleFeature[j]; double t = doubleRes[j]; System.out.print(f + ":" + t + " "); } System.out.println(); }

训练过程中我们将在每一轮训练结束后随机抽取一些数据进行预测，并将预测值和原值进行欧氏距离的计算。同时我们也会随机抽取一张图片直接比较每个像素点值的不同。具体可以看下面的两张图：

完整的训练过程，Spark任务截图：

随机抽取的数据的比较：

在经过多轮次的训练后，我们将模型保存在HDFS上（具体的代码实现可以参考之前的博客）并且将其拉到本地后，随机预测/重构一些图片来看看效果，具体的，我随机选择了9张图进行重构，如下图：

  

 

 

 

 

最后做下小结。

这里我们用多层感知机来对Mnsit数据集进行压缩，并且也取得不错的压缩效果。和之前利用Deep AutoEncoder进行数据进行压缩的不同在于我们将每一层中RBM替换成了FNN。应当说，从肉眼的角度我们没法分辨两种网络对Mnist数据集压缩的好坏程度，但是从理论上，基于RBM的压缩网络应该会取得更好的效果，在Hinton教授的论文中，也拿两者做了比较，结论也是基于RBM的Deep AutoEncoder效果更好，实际中，两者都会应用到。所以还得还情况而定！