学习深度学习首先得知道反向传播,这是神经网络能够学习得重要原因,也是深度学习得基石。所以,本系列以此为开篇,着重介绍神经网络得正向/反向传播得流程。哈哈,肯定有人会问为什么用C++实现,python不是更好吗?哈哈,本人严重C++控,好吧后续得一些文章大多是基于c++实现的,所以,最好有一定的c++基础。本文代码得配置要求: 完整的代码工程可以访问我的github:https://github.com/kingqiuol/ann 一、网络的框架结构 本文代码主要通过一个NN类来实现,支持设定插入多个隐藏层及每个隐藏层的神经元个数,当然这部分可以跳过,主要让大家有个整体的概念,我一般在实现某一个功能或框架时都会提前做好准备,需要那几个功能/那些模块,并一一列举出来,先写好,具体细节不用管。对于一个神经网络来说,这里包括大多数卷积神经网络,一般包括:模型的训练和模型的预测(使用),来说一说搭建该网络具体的流程: #include <opencv2/opencv.hpp> NN(size_t classes, size_t input = 0, float reg = 0.005, float learning_rate = 0.0001, size_t max_epochs = 5000,size_t batch_size = 500) : input_(input), classes_(classes), reg_(reg), learning_rate_(learning_rate), max_epochs_(max_epochs), batch_size_(batch_size), data_ptr(nullptr), label_ptr(nullptr){} void data_loader(const string &path); void add_hidden_layer(const vector<size_t> &num_hiddens = {}); void train(const string &file_path, const vector<size_t> &num_hiddens); void save_weights(const string &save_path); void load_weights(const string &load_path); inline float get_learning_rate()const{ return this->learning_rate_; } inline void set_learning_rate(float learning_rate){ this->learning_rate_ = learning_rate; } inline float get_reg() const{ return this->reg_; } inline void set_reg(float reg){ this->reg_ = reg; } inline size_t get_epoch()const{ return this->max_epochs_; } void get_batch(Mat &batch_X,Mat &batch_y); void initial_layer(const size_t &input, const size_t &output);//单个层的初始化 void softmax(Mat &out);//softmax分类器 float L2_regular();//L2正则化 Mat mat_sum(const Mat &X, const int &axis, const int &dtype); Mat mat_max(const Mat &X, const int &axis, const int &dtype); int argmax(Mat &row, float &max);//单行对应的下标 float learning_rate_; //学习率 size_t max_epochs_; //最大训练次数 size_t batch_size_; //批量处理大小 shared_ptr<Mat> data_ptr, label_ptr; vector<size_t> hiddens_; //各个隐藏层中神经元个数 vector<Mat> out_; //存储各个层的输出 vector<Mat> dW_; //保存各个层的计算权重梯度 vector<Mat> db_; //保存各个层的偏置项梯度
正如头文件所见,对于整个网络我们需要保存一些中间变量为后续反向传播做准备。我们需要保存的节点有:每一层的输入/输出、当前层的权重、以及反向传播时的梯度,然后还需要定义传播过程中的操作,主要操作有:全连接、激活函数(relu)和分类器(softmax)。对于当前大多数深度学习框架(tensorflow/pytorch/caffe)来说,基本都采用运算图模型,说白了就是一系列的节点+边(操作),节点用于存储中间结果,边用于计算。这里的代码不是很明显,后续讲到深度学习时你就会由此体会。接下来我将对这些流程进行讲解并一一细说其中的一些基础知识。 二、神经网络的训练1、数据加载void NN::data_loader(const string &path) vector<vector<float>> dataset; while (getline(file, ss)){ srand(static_cast<unsigned int>(time(0))); random_shuffle(dataset.begin(), dataset.end()); //将vector转化为Mat并分别存储到训练集和label中 int rows = static_cast<int>(dataset.size()); int cols = static_cast<int>(dataset[0].size() - 1); Mat train_data(rows, cols, CV_32FC1); Mat labels(rows, 1, CV_32FC1); auto it = dataset.begin(); for (int i = 0; i < rows; ++i){ float *data = train_data.ptr<float>(i); float *label = labels.ptr<float>(i); for (int j = 0; j < cols + 1; ++j){ this->data_ptr = make_shared<Mat>(train_data); this->label_ptr = make_shared<Mat>(labels);
这一部分没啥好说的,每个人可以根据自己的数据形式进行改变,最好在训练前将数据打乱(shuffle)和进行归一化(normal)等预处理,这里我没有进行归一化是因为我的数据在存储时已经进行归一化了。最主要的是最终训练数据将转化为矩阵形式,这也是为什么使用OenCV,有Mat的话更方便进行相关矩阵操作,嘿嘿。注意,假设我们的数据的特征有F维,那么其矩阵形式维1XF,所以对于N个数据集,其矩阵形式如下: 接下来,我将介绍在加载数据时进行相关的预处理更多详细的信息。对于常见的数据预处理有以下几种情况: (1)数据清洗 去除缺失大量特征的数据 去掉样本数据的异常数据。(比如连续型数据中的离群点) 对于数据缺失的特征,可以使用该特征的均值来代替缺失的部分 对于一些类别类型,如:L,R,可以one-hot形式进行编码
(2)数据采样 在我们采集数据时经常会遇到样本不均衡的问题,我们可以采用上/下采样的方法进行样本补充,其具体为假设正负样本比例1:100,把正样本的数量重复100次,这就叫上采样,也就是把比例小的样本放大。下采样同理,把比例大的数据抽取一部分,从而使比例变得接近于1;1。通过这种方式可以避免样本的不均衡问题,同时我们也要注意在实际特征工程中,均衡问题会极大影响训练的结果。 (3)预处理 数据归一化,数据标准化的方法有很多,如对于所有的数值特征,我们都会减去均值,除以方差。博主主要工作方向是图像处理领域,在图像处理方面,主要的预处理方法为去均值,这里的均值为训练集的均值,之后再验证/测试集中都是减去这个均值。对于为什么要去均值,有很多的解释,如下: 对于我们的自然图像其实是一种平稳的数据分布【即图像的每一维都服从相同的分布】。所以通过减去数据对应维度的统计平均值,来消除公共的部分,以凸显个体之间的特征和差异。 根据求导的链式法则,w的局部梯度是X,当X全为正时,由反向传播传下来的梯度乘以X后不会改变方向,要么为正数要么为负数,也就是说w权重的更新在一次更新迭代计算中要么同时减小,要么同时增大。
其中,w的更新方向向量只能在第一和第三象限。假设最佳的w向量如蓝色线所示,由于输入全为正,现在迭代更新只能沿着红色路径做zig-zag运动,更新的效率很慢。基于此,当输入数据减去均值后,就会有负有正,会消除这种影响。
当然,目前讲的一些预处理方法只是我在机器学习方面的常用的方法,对于数据预处理还有很多方法还没试过,有兴趣的小伙伴可以试试。常见的特征工程的处理方法如下图:
|