Android+TensorFlow+CNN+MNIST 手写数字识别实现
SkySeraph 2018
Email:skyseraph00#163.com
更多精彩请直接访问SkySeraph个人站点:www.skyseraph.com
Overview
本文系“SkySeraph AI 实践到理论系列”第一篇,咱以AI界的HelloWord 经典MNIST数据集为基础,在Android平台,基于TensorFlow,实现CNN的手写数字识别。
Code here~
Practice
Environment
- TensorFlow: 1.2.0
- Python: 3.6
- Python IDE: PyCharm 2017.2
- Android IDE: Android Studio 3.0
Train & Evaluate(Python+TensorFlow)
训练和评估部分主要目的是生成用于测试用的pb文件,其保存了利用TensorFlow python API构建训练后的网络拓扑结构和参数信息,实现方式有很多种,除了cnn外还可以使用rnn,fcnn等。
其中基于cnn的函数也有两套,分别为tf.layers.conv2d和tf.nn.conv2d, tf.layers.conv2d使用tf.nn.conv2d作为后端处理,参数上filters是整数,filter是4维张量。原型如下:
convolutional.py文件
def conv2d(inputs, filters, kernel_size, strides=(1, 1), padding=’valid’, data_format=’channels_last’,
dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=None,
bias_initializer=init_ops.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None,
activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None,
reuse=None)
gen_nn_ops.py 文件
def conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format="NHWC", name=None)
官方Demo实例中使用的是layers module,结构如下:
- Convolutional Layer #1:32个5×5的filter,使用ReLU激活函数
- Pooling Layer #1:2×2的filter做max pooling,步长为2
- Convolutional Layer #2:64个5×5的filter,使用ReLU激活函数
- Pooling Layer #2:2×2的filter做max pooling,步长为2
- Dense Layer #1:1024个神经元,使用ReLU激活函数,dropout率0.4 (为了避免过拟合,在训练的时候,40%的神经元会被随机去掉)
- Dense Layer #2 (Logits Layer):10个神经元,每个神经元对应一个类别(0-9)
核心代码在cnn_model_fn(features, labels, mode)函数中,完成卷积结构的完整定义,核心代码如下.
也可以采用传统的tf.nn.conv2d函数, 核心代码如下。
Test(Android+TensorFlow)
- 核心是使用API接口: TensorFlowInferenceInterface.java
- 配置gradle 或者 自编译TensorFlow源码导入jar和so
compile ‘org.tensorflow:tensorflow-android:1.2.0’ -
导入pb文件.pb文件放assets目录,然后读取
String actualFilename = labelFilename.split(“file:///android_asset/“)[1];
Log.i(TAG, “Reading labels from: “ + actualFilename);
BufferedReader br = null;
br = new BufferedReader(new InputStreamReader(assetManager.open(actualFilename)));
String line;
while ((line = br.readLine()) != null) {
c.labels.add(line);
}
br.close(); TensorFlow接口使用
- 最终效果:
Theory
MNIST
MNIST,最经典的机器学习模型之一,包含0~9的数字,28*28大小的单色灰度手写数字图片数据库,其*60,000 training examples和10,000 test examples。
文件目录如下,主要包括4个二进制文件,分别为训练和测试图片及Label。
如下为训练图片的二进制结构,在真实数据前(pixel),有部分描述字段(魔数,图片个数,图片行数和列数),真实数据的存储采用大端规则。
(大端规则,就是数据的高字节保存在低内存地址中,低字节保存在高内存地址中)
在具体实验使用,需要提取真实数据,可采用专门用于处理字节的库struct中的unpack_from方法,核心方法如下:
struct.unpack_from(self._fourBytes2, buf, index)
MNIST作为AI的Hello World入门实例数据,TensorFlow封装对其封装好了函数,可直接使用
mnist = input_data.read_data_sets(‘MNIST’, one_hot=True)
CNN(Convolutional Neural Network)
CNN Keys
- CNN,Convolutional Neural Network,中文全称卷积神经网络,即所谓的卷积网(ConvNets)。
- 卷积(Convolution)可谓是现代深度学习中最最重要的概念了,它是一种数学运算,读者可以从下面链接[23]中卷积相关数学机理,包括分别从傅里叶变换和狄拉克δ函数中推到卷积定义,我们可以从字面上宏观粗鲁的理解成将因子翻转相乘卷起来。
- 卷积动画。演示如下图[26],更多动画演示可参考[27]
神经网络。一个由大量神经元(neurons)组成的系统,如下图所示[21]
其中x表示输入向量,w为权重,b为偏值bias,f为激活函数。-
Activation Function 激活函数: 常用的非线性激活函数有Sigmoid、tanh、ReLU等等,公式如下如所示。
- Sigmoid缺点
- 函数饱和使梯度消失(神经元在值为 0 或 1 的时候接近饱和,这些区域,梯度几乎为 0)
- sigmoid 函数不是关于原点中心对称的(无0中心化)
- tanh: 存在饱和问题,但它的输出是零中心的,因此实际中 tanh 比 sigmoid 更受欢迎。
- ReLU
- 优点1:ReLU 对于 SGD 的收敛有巨大的加速作用
- 优点2:只需要一个阈值就可以得到激活值,而不用去算一大堆复杂的(指数)运算
- 缺点:需要合理设置学习率(learning rate),防止训练时dead,还可以使用Leaky ReLU/PReLU/Maxout等代替
- Sigmoid缺点
- Pooling池化。一般分为平均池化mean pooling和最大池化max pooling,如下图所示[21]为max pooling,除此之外,还有重叠池化(OverlappingPooling)[24],空金字塔池化(Spatial Pyramid Pooling)[25]
- 平均池化:计算图像区域的平均值作为该区域池化后的值。
- 最大池化:选图像区域的最大值作为该区域池化后的值。
CNN Architecture
- 三层神经网络。分别为输入层(Input layer),输出层(Output layer),隐藏层(Hidden layer),如下图所示[21]
- CNN层级结构。 斯坦福cs231n中阐述了一种[INPUT-CONV-RELU-POOL-FC],如下图所示[21],分别为输入层,卷积层,激励层,池化层,全连接层。
- CNN通用架构分为如下三层结构:
- Convolutional layers 卷积层
- Pooling layers 汇聚层
- Dense (fully connected) layers 全连接层
- 动画演示。参考[22]。
Regression + Softmax
机器学习有监督学习(supervised learning)中两大算法分别是分类算法和回归算法,分类算法用于离散型分布预测,回归算法用于连续型分布预测。
回归的目的就是建立一个回归方程用来预测目标值,回归的求解就是求这个回归方程的回归系数。
其中回归(Regression)算法包括Linear Regression,Logistic Regression等, Softmax Regression是其中一种用于解决多分类(multi-class classification)问题的Logistic回归算法的推广,经典实例就是在MNIST手写数字分类上的应用。
Linear Regression
Linear Regression是机器学习中最基础的模型,其目标是用预测结果尽可能地拟合目标label
- 多元线性回归模型定义
- 多元线性回归求解
- Mean Square Error (MSE)
- Gradient Descent(梯度下降法)
- Normal Equation(普通最小二乘法)
- 局部加权线性回归(LocallyWeightedLinearRegression, LWLR ):针对线性回归中模型欠拟合现象,在估计中引入一些偏差以便降低预测的均方误差。
- 岭回归(ridge regression)和缩减方法
- 选择: Normal Equation相比Gradient Descent,计算量大(需计算X的转置与逆矩阵),只适用于特征个数小于100000时使用;当特征数量大于100000时使用梯度法。当X不可逆时可替代方法为岭回归算法。LWLR方法增加了计算量,因为它对每个点做预测时都必须使用整个数据集,而不是计算出回归系数得到回归方程后代入计算即可,一般不选择。
- 调优: 平衡预测偏差和模型方差(高偏差就是欠拟合,高方差就是过拟合)
- 获取更多的训练样本 - 解决高方差
- 尝试使用更少的特征的集合 - 解决高方差
- 尝试获得其他特征 - 解决高偏差
- 尝试添加多项组合特征 - 解决高偏差
- 尝试减小 λ - 解决高偏差
- 尝试增加 λ -解决高方差
Softmax Regression
- Softmax Regression估值函数(hypothesis)
- Softmax Regression代价函数(cost function)
- 理解:
- Softmax Regression & Logistic Regression:
- 多分类 & 二分类。Logistic Regression为K=2时的Softmax Regression
- 针对K类问题,当类别之间互斥时可采用Softmax Regression,当非斥时,可采用K个独立的Logistic Regression
- 总结: Softmax Regression适用于类别数量大于2的分类,本例中用于判断每张图属于每个数字的概率。
References & Recommends
MNIST
- [01]Mnist官网
- [02]Visualizing MNIST: An Exploration of Dimensionality Reduction
- [03]TensorFlow Mnist官方实例
- [04]Sample code for “Tensorflow and deep learning, without a PhD”
Softmax
CNN
- [21]Stanford University’s Convolutional Neural Networks for Visual Recognition course materials 翻译
- [22]July CNN笔记:通俗理解卷积神经网络
- [23]理解卷积Convolution
- [24]Imagenet classification with deep convolutional neural networks
- [25]Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- [26]Convolutional Neural Networks-Basics
- [27]A technical report on convolution arithmetic in the context of deep learning
TensorFlow+CNN / TensorFlow+Android
- [31]Google官方Demo
- [32]Google官方Codelab
- [33]deep-learning-cnns-in-tensorflow Github
- [34]tensorflow-classifier-android
- [35]creating-custom-model-for-android-using-tensorflow
- [36]TF-NN Mnist实例
By SkySeraph-2018
本文首发于skyseraph.com:“Android+TensorFlow+CNN+MNIST 手写数字识别实现”