卷积神经网络CNN

卷积神经网络CNN

• CNN通常用于影像处理

为什么需要CNN

为什么需要CNN，我用普通的fully connected的反向传播网络进行图像训练会怎样

• 需要过多参数

  假设一张彩色的图为100×100的，那么像素点就是100×100×3，那么输入层为三万维

  假设下一层隐含层有1000个神经元，那么这个神经网络第一层就已经有30000×1000个参数了

——CNN做的事情，就是简化这个神经网络的架构

——我们用一些人的理解，不要使用fully connected的神经网络，尽可能把不需要的参数从一开始就过滤掉

如何拿掉参数

为什么我们能够将一些参数拿掉？为什么我们可以简化这个网络架构？

减少冗余神经元

• 我们神经元的训练，是为了观测图片上的某一个patterns

  比如某个神经元负责侦测有没有鸟嘴，有没有翅膀，有没有爪子等

  Some patterns are much smaller than the whole image

• 因此，我们可以只观测部分，不需要观测整张图

  A neuron does not have to see the whole image to discover the pattern.

——侦测鸟嘴这部分的工作是一样的；我们不需要说，用一个神经元侦测一下左上方有没有鸟嘴，再用另一个神经元侦测中间部分有没有鸟嘴

——简化的基本就是，去除这种冗余的神经元，使得统一

Subsampling

• 将像素点偶数列/偶数行删除
• Subsampling the pixels will not change the object.

CNN步骤

• Property 1

  某些patterns比整张图小的多，因此可以观测局部

• Property 2

  某些同一种patterns出现在不同的地方

• Property 3

  可以做Subsampling

Property1和Property2主要通过卷积操作完成

Property3主要通过Max Pooling完成

Convolution

——卷积

• 会存在一堆Filter(这些Filter相当于全连接网络的一个神经元)

• 每一个Filter本质都是一个矩阵，矩阵里的每一个元素相当于网络的参数，和神经元的weight和bias一样，是需要train出来的

• 每一个Filter，在侦测一个pattern

  例如，现在6×6的一个image，有一个Filter是3×3，这个Filter的作用相当于在侦测一个3×3的pattern

步骤

• 将Filter放于图像上，与图像对应位置做内积
• 实现property1,变成寻找对应pattern

• 挪动Filter的位置，这个挪动位置的多少，用stride表示

  这个stride是超参数，需要自己设定和调节

这个Filter要检测的pattern，得到最大值分布在左上角和左下角，因此这个Filter对应检测的pattern分布在这个图上的左上角和左下角，就能够实现property2.

——同一个pattern，出现在不同位置，用同一个filter就能检测出来

• 很多很多个Filter工作完成之后，形成Feature Map

缺陷

当你的pattern是不同大小的时候，会出现说你需要不同Filter才能够处理

例如当你的图像中，有大的鸟嘴和小的鸟嘴，需要不同size的Filter才能够解决甄别出鸟嘴

• 方法一：如果你实现知道图像的pattern是偏大还是偏小，可以去先做normalized这件事
• 方法二：DeepMind里提到一个新的方式，在CNN之前加多一层隐含层，该层需要提示了，需要将图片的哪一部分进行缩放，旋转等操作，再进入CNN中训练，可以得到比较好的结果

——对于彩图如何处理呢？因为有3个颜色通道(RGB)，相当于是有一张图上有3个image,每一层分别代表RGB层的值

——这个时候，你的Filter就不是一个矩阵了，也是一个3维的立方体

注意

我们在做内积的时候，并不是把RGB每一层颜色，分开来算内积

而是把这三层和Filter一块来计算，从整体上来考虑这个pattern

在神经网络中理解Filter

卷积的过程，就是等同于一个网络删掉某些weight训练的结果

• 将image拉直

  内积对应相乘，等于某个值成对应权重，最后输出内积结果

  

• 只有对应框起来的那些神经元，才会进行连接

  通过这种方式，实现更少的参数

• 同时，当我们通过stride进行挪动的时候，这个Filter不变，因此weight是不变的，只是连接的神经元变化了，达到了Share weights的功能
  

• 这个时候就能实现更少的参数，因为用的是同一组weights

如何实现share weights

• 原理和反向传播网络是一样的
• 对于不连接的线，只要让它的weight一直是0，一直不训练它，就可以实现不完全连接的网络
• 对于同一组weight，我们通过反向传播计算出多组梯度，然后取梯度平均，让他们update同样的量

Max Pooling

——SubSampling

1. 对得到的矩阵，可以四个为一组，合并成一个值

   合并方式有很多：可以选其中最大值，可以取平均值

   达到让你的image变小的效果

   

2. 每一个Filter就能带来一层

   

3. 然后你就得到了比较小的image,然后再重复卷积-池化

Flatten

——扁平化

1. 得到的Feature map拉直
2. 丢进Fully connected的网络中进行训练就可以了

CNN in keras

——你只需要修改网络的结构和输入的格式

——本来在DNN里面，input是一个向量vector

——CNN会考虑这个image的几何空间的，因此需要input一个张量tensor(高维的向量)

model.add(Conv2D(25,3,3,input_shape=(1,28,28)))
#Conv2D(25,3,3意味着有25个Filter，每个Filter是3*3的
#input_shape=(1,28,28)表明你输入的图片是28*28的，每个pixel是一个颜色，因此是1；如果是RGB的话需要3个颜色通道

model.add(MaxPooling2D((2,2)))
#我们把feature map的东西，按照2*2来考虑，进行最大池化

——扁平化

model.add(Flatten())

可解释性

• 第一层的filter是比较容易解释的，我们只需要看它的值，就能够直到这个filter在detect什么特征
• 但是第二层往后的filter，它直接针对的对象，并不是image的东西；而且它考虑的范围，并不是一个矩阵，而是一个高维的立方体

——如何识别这个filter是做什么的

1. 把第k个filter的输出拿出来

   

2. 定义：Degree of the activation of the k-th filter

   定义一个东西，能衡量第k个filter有多activation
   $$a^k=\sum _{i=1}^{11}\sum _{j=1}^{11}{a}_{ij}^k$$

3. 我们希望直到这个filter做的是什么，我们找一张image，这个image能够使得$a^k$最大

   假设我们input的image是x
   $$x^{\ast }=\arg \underset{x}{\max }{a}^k$$
   这个image——x能够让上述定义的Degree最大

   这个也可以通过梯度下降法来实现

• 以往的过程是，我们通过image来update filter的参数，来使得可以训练出一个较好的神经网络模型
• 当我们希望找到filter寻找的对应是什么feature时，我们可以反向——固定filter的参数，取update image，来找到这个image

——然后结果大概是这样子

• 我们可以看到，这些filter最match的image，都是一些纹路
• 例如第一行第三个的filter，就是寻找一种斜条纹
• 每个filter detect的就是不同角度的线条

——fully connected neural network的每个神经元做的是什么事情呢？

如法炮制刚才的做法

1. 我们定义一个神经元的输出的是$a_j$

2. 然后我们需要找到一个image能够使得这个$a_j$最大
   $$x^{\ast }=\arg \underset{x}{\max }{a}^j$$

——得到的结果大概是这样的

因为在做卷积这件事的过程，其实是在寻找一些feature，因此可以看到filter侦测的是类似于纹路的东西

因此我们可以看到，我们丢进去全连接的网络中，神经元输出的东西是不一样的

因为这个网络的工作是看整张图，是一个完整的图形，而不是一个局部的纹路

——虽然考虑的并不是是哪个数字，但是是某种线条中的图案

——考虑output

我们直接考虑output的输出，会不会得到数字呢？

然后反向寻找，使之最大的image
$$x^{\ast }=\arg \underset{x}{\max }{y}^i$$

——得到的结果是这样的

为什么是这样呢？

因为神经网络学习到的东西和人类学习的东西其实不太一样的。我们肉眼其实看不出上述的结果图有什么差别

我们将上面的图放进去CNN里面去训练，它就会反应说这个就是0，这个就是1，它就是能够区分

推荐文章——“Deep Neural Networks are Easily Folled”

https://ieeexplore.ieee.org/document/7298640

——怎样让它表现出来像数字

因为一张图是不是数字，我们都会有一些假设，会有一些东西肯定不是数字

我们应该对这个y做一些规范化regularization

对输入的x做一些constraint(约束)

这个约束告诉机器，这个x虽然能够让你的y很大，但是它不是数字
$$x^{\ast }=\arg \underset{x}{\max }(y^i-\sum _{i,j}|x_{ij}|)$$
${\sum }_{i,j}|x_{ij}|$所有pixel的values，这就是L1的正则项

得到的结果是这样的

——这样之后，你得到的x就比较像数字了，你会发现6还是比较像的

让机器所看到的东西放大呈现出来，实际上是目前Deep Dream和Deep Style做的事情

Deep Style

• 输入一张图片，让它的风格像某个著名的画作

参考文献——“A Neural Algorithm of Artistic Style”

[1508.06576] A Neural Algorithm of Artistic Style (arxiv.org)

——核心思路

• 将第一张照片放进CNN里训练，得到Filter的output

• 这个output得到的是第一张图有怎样的内容

• 然后将呐喊放进CNN里训练，得到的是filter和filter之间的correlation(相关性)

• 这个相关性代表的就是这张图里有怎样的风格

• 使用同一个CNN，去找到一个image

• 这个image通过filter后的输出能够像第一张照片的output；

• 这个image输出的filter之间的correlation要像第二张照片

更多的应用

那么CNN呢，不只是用于图像上，也可以用于其他领域

Alpha Go

Alpha Go的监督学习的学习就是通过CNN实现的

那么什么时候可以使用CNN

• 一些patterns比整张图小得多

• 同一个patterns可能会出现在不同的位置

• 做Subsampling不会影响图片的object——所以有maxpooling这个部分

  但是围棋里面并没有这个东西；那么Alpha Go是如何表现的呢？

Alpha Go的paper上有写到CNN的架构，它的输入是19×19×48的

因为这个棋盘是19×19的，48表示这个位置的一些状态，不仅仅是讨论上面是黑棋还是白棋，还有一些状态例如是否处于叫吃的状态等。

1. 第一层将输入zero pads到23×23，(也就是用0填充外围)
2. 用5×5的filter，一共是192个filters，stride=1
3. 变成21×21的image
4. 下面的filter都是3×3的filter，stride=1

然后你就会发现Alpha Go是没有使用max Pooling的

——根据围棋的特性，不需要再做max pooling这一层

Speech

• 将speech的音频转换成Spectrogram
• 这个CNN的filter，只在纵轴上移动

Text

• 这个词序列需要先经过词嵌入，获得词对应的向量

• 然后我们把向量排在一起，当作一个image

• filter的高和向量的长度时一样的，沿着词汇的顺序进行移动，得到feature map

Learn more

让机器画出一些image

1. PixelRNN

   [1601.06759] Pixel Recurrent Neural Networks (arxiv.org)

2. Variation Autoencoder(VAE)

   [1312.6114] Auto-Encoding Variational Bayes (arxiv.org)

3. Generative Adversarial Network(GAN)

   [1406.2661] Generative Adversarial Networks (arxiv.org)