用tensorflow实现usps和mnist数据集的迁移学习

原文地址：http://blog.csdn.net/mao_xiao_feng/article/details/54944850

本程序环境：tensorflow+Python，用到的库：numpy，os，Image，random。

基于论文：《Deep Transfer Network: Unsupervised Domain Adaptation》

前面我已经对这篇文章做过简单的导读：【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）

首先我们要用到两个数据集usps和mnist，它们都是用来完成手写数字识别任务的，以下提供两个数据集的下载链接

mnist数据集下载

usps数据集下载

上面两个链接下载下来，会发现mnist是以图片存储，而usps是以数值方式存储。这也是为了程序方便。

一.数据准备

首先需要读入usps数据集，因为usps是简单的以字符形式存储，所以读入也比较方便，程序如下，最后返回traindata矩阵以及trainlabel矩阵

[python] view plain copy

1. def read_usps_dataset():  
2.     filename= '数据集文件路径'  
3.     fr = open(filename)  
4.     numberOfLines = len(fr.readlines())  
5.     traindataMat = zeros((numberOfLines,256))        #prepare matrix to return  
6.     trainlabelMat = zeros((numberOfLines),dtype=int32)  
7.     fr = open(filename)  
8.     index = 0  
9.     for line in fr.readlines():  
10.         line = line.strip()                     #delete the /r/n  
11.         listFromLine = line.split(' ')  
12.         trainlabelMat[index] = listFromLine[0]  
13.         traindataMat[index, :] = float32(listFromLine[1:])  
14.         index += 1  
15.     print "the size of source dataset:",numberOfLines  
16.     trainlabelMat=array(trainlabelMat)  
17.     traindataMat=array(traindataMat)/float32(2)  
18.     trainlabelMat.astype(int)  
19.     return traindataMat,trainlabelMat  

然后处理mnist，这部分稍微麻烦一点，我们之所以使用mnist图片，是为了方便缩小，因为我们需要mnist数据和usps一起输入到神经网络，它们的维度应该是一样的。usps是16×16的大小，而mnist是28×28的大小，这里需要将mnist图片缩小到16×16

[python] view plain copy

1. def preprocess_mnist():  
2.     image=[]  
3.     label=[]  
4.     i=0  
5.     for labels in range(10):  
6.         pathDir =os.listdir('MNIST/trainimage/pic2/'+str(labels)+'/')  
7.         for allDir in pathDir:  
8.             child = os.path.join('%s%s' % ('MNIST/trainimage/pic2/'+str(labels)+'/', allDir))  
9.             img = Image.open(child)  
10.             img=img.resize((16, 16))  
11.             img_array=array(img)  
12.             img_array=img_array[:,:,0]  
13.             img_array=reshape(img_array,-1)  
14.             image.append(img_array)  
15.             label.append(labels)  
16.             i=i+1  
17.     image = array(image)/float32(256)  
18.     label = array(label)  
19.     print "the size of target dataset:",i  
20.     return image,label  

数据预处理部分还没有结束，别忘了把数值型的标签转化成01型的

[python] view plain copy

1. def dense_to_one_hot(labels_dense, num_classes):  
2.   num_labels = labels_dense.shape[0]  
3.   index_offset = arange(num_labels) * num_classes  
4.   labels_one_hot = zeros((num_labels, num_classes))  
5.   labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1  
6.   return labels_one_hot  

二.创建M矩阵

M矩阵用于计算empirical Maximum Mean Discrepancy（MMD），我们一开始就要将它初始化

[python] view plain copy

1. def createMmetrix():  
2.     mat1=tf.constant(float32(1)/(square(BATCHSIZE/2)),shape=[BATCHSIZE/2,BATCHSIZE/2],dtype=tf.float32)  
3.     mat2=-mat1  
4.     mat3=tf.concat(1,[mat1,mat2])  
5.     mat3=tf.concat(0,[mat3,mat3])  
6.     return mat3  

三.建立模型

采用两层卷积+全连接的结构，首先定义权值/偏置初始化函数，卷积/池化函数

[python] view plain copy

1. def weight_variable(shape):  
2.     initial = tf.truncated_normal(shape, stddev=0.1)  
3.     return tf.Variable(initial)  
4.   
5. def bias_variable(shape):  
6.     initial = tf.constant(0.1, shape = shape)  
7.     return tf.Variable(initial)  
8.   
9. # convolution  
10. def conv2d(x, W):  
11.     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  
12. # pooling  
13. def max_pool_2x2(x):  
14.     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')  

建立模型，注意obj_func的形式，我们已经将它替换成论文当中的公式了

[python] view plain copy

1. #first convolutinal layer  
2. w_conv1 = weight_variable([3, 3, 1, 32])  
3. b_conv1 = bias_variable([32])  
4. x_image = tf.reshape(X, [-1, 16, 16, 1])  
5. h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1)  
6. h_pool1 = max_pool_2x2(h_conv1)  
7.   
8. # second convolutional layer  
9. w_conv2 = weight_variable([3, 3, 32, 64])  
10. b_conv2 = bias_variable([64])  
11. h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)  
12. h_pool2 = max_pool_2x2(h_conv2)  
13.   
14. # densely connected layer  
15. w_fc1 = weight_variable([4*4*64, 256])  
16. b_fc1 = bias_variable([256])  
17. h_pool2_flat = tf.reshape(h_pool2, [-1, 4*4*64])  
18. h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)  
19.   
20. # softmax layer  
21. w_fc2 = weight_variable([256, 10])  
22. b_fc2 = bias_variable([10])  
23. y_conv = tf.nn.softmax(tf.matmul(h_fc1, w_fc2) + b_fc2)  
24.   
25. obj_func= -tf.reduce_sum(Y * tf.log(y_conv))+tf.constant(lamda,dtype=tf.float32)*tf.trace(tf.matmul(tf.matmul(h_fc1,M,transpose_a=True),h_fc1))+tf.constant(miu,dtype=tf.float32)*tf.trace(tf.matmul(tf.matmul(y_conv,M,transpose_a=True),y_conv))  
26. optimizer = tf.train.GradientDescentOptimizer(learningrate).minimize(obj_func)  
27.   
28. correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(Y, 1))  
29. accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))