正文

【UFLDL】Exercise: Convolutional Neural Network

IP云
IP云V管理员/4 阅读
11/30
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

这个exercise需要完成cnn中的forward pass,cost,error和gradient的计算。需要弄清楚每一层的以上四个步骤的原理，并且要充分利用matlab的矩阵运算。大概把过程总结了一下如下图所示：

STEP 1：Implement CNN Objective

STEP 1a: Forward Propagation

Forward Propagation主要是为了计算输入图片经过神经网络后的输出，这个网络有三层：convolution->pooling->softmax(dense connected)，卷积层对于每个图像用所有的模板进行卷积；pooling层对卷积层输出的feature map采样；softmax层根据pooling层输出的feature预测图像的分类结果。其中convolution和pooling操作在之前就实现过了。具体的过程可以参见上图中Forward Pass中每层的具体操作。代码如下： 

%%% YOUR CODE HERE %%%

%调用之前已经实现的函数

activations = cnnConvolve(filterDim, numFilters, images, Wc, bc);%sigmoid(wx+b)

activationsPooled = cnnPool(poolDim, activations);

% Reshape activations into 2-d matrix, hiddenSize x numImages,

% for Softmax layer

%将activationsPooled从outDim*outDim*numFilters*numImages拼接成hiddenSize*numImages的大矩阵

activationsPooled = reshape(activationsPooled,[],numImages);

%% Softmax Layer

%  Forward propagate the pooled activations calculated above into a

%  standard softmax layer. For your convenience we have reshaped

%  activationPooled into a hiddenSize x numImages matrix.  Store the

%  results in probs.

% numClasses x numImages for storing probability that each image belongs to

% each class.

probs = zeros(numClasses,numImages);

%%% YOUR CODE HERE %%%

h = exp(bsxfun(@plus,Wd * activationsPooled,bd));

probs = bsxfun(@rdivide,h,sum(h,1));

STEP 1b: Calculate Cost

计算梯度下降要优化的目标函数，主要分为两部分，一部分是由于分类器输出结果和真实结果的差异引起的误差函数，另一部分是对权重w的正则约束。第一部分可以参考softmax regression中对损失函数的计算，第二部分就是对Wc和Wd的所有项求平方和。类似下面的公式，不过第一项中的J是softmax的cross entropy损失函数。最后要对第一项除以图像的总数，这是十分重要的，一开始我没有除，最后得到的算法是发散的，原因可能是第一项数值过大，直接把正则项的影响给忽略了。

代码： 

%%% YOUR CODE HERE %%%

logp = log(probs);

index = sub2ind(size(logp),labels',1:size(probs,2));

ceCost = -sum(logp(index));

wCost = lambda/2 * (sum(Wd(:).^2)+sum(Wc(:).^2));

cost = ceCost/numImages + wCost;

STEP 1c: Backpropagation

BP算法首先要计算各层的对最终误差的贡献delta。

softmax层：这一层的误差最容易计算，只要用ground truth减去神经网络的输出probs就可以了： 

output = zeros(size(probs));

output(index) = 1;

DeltaSoftmax = probs - output;

pool层：这一层首先根据公式δ l ＝ Wδ l+1 * f'(z l )（pool层没有f'(z l )这一项）计算该层的error，此时得到一个hiddenSize*numImages的矩阵，首先利用reshape函数把error还原成一个convDim*convDim*numFilters*numImages的矩阵，在pooling操作时，pooling层一个节点的输入是conv层2*2个节点的输出（假设poolDim=2）如下图所示：

所以pooling层的这个节点要将自己的error在这2*2个节点中平均分（因为使用的是mean pooling）,UFLDL上面提示了可以用kron这个函数来实现，这样如上图所示，就可以通过pooling层一个2*2的filter对应的error计算得到convolution层一个4*4的filter对应的error了。代码如下： 

DeltaPool = reshape(Wd' * DeltaSoftmax,outputDim,outputDim,numFilters,numImages);

DeltaUnpool = zeros(convDim,convDim,numFilters,numImages);

for imNum = 1:numImages

    for FilterNum = 1:numFilters

        unpool = DeltaPool(:,:,FilterNum,imNum);

        DeltaUnpool(:,:,FilterNum,imNum) = kron(unpool,ones(poolDim))./(poolDim ^ 2);

    end

end

convolution层：还是根据公式δ l ＝ Wδ l+1 * f'(z l )来计算： 

DeltaConv = DeltaUnpool .* activations .* (1 - activations);

STEP 1d: Gradient Calculation

整个cnn一共有三层：convolution->pooling->softmax(dense connected)，只有convolution和softmax层有权重，分别为Wc，bc，Wd，bd。那么就要计算目标函数J对他们的倒数以便在梯度下降中更新W和b。

Wd和bd的梯度计算：

根据下面两个公式：

其中a l-1 对应pooling层的激励（输出）activitonsPooled，δ l 就是这一层的误差DeltaSoftmax，代码如下： 

Wd_grad = (1./numImages) .* DeltaSoftmax*activationsPooled'+lambda*Wd;

bd_grad = (1./numImages) .* sum(DeltaSoftmax,2);

Wc和bc的梯度计算：

还是根据上面两个计算梯度的公式，不过麻烦就麻烦在l-1层其实是输入的图像，所以a l-1 对应的是输入的图像，那么就得用for循环逐个便利图像并利用UFLDL上提供的公式计算对应梯度：

这里为了方便，先对所有DeltaConv进行旋转，然后再用for循环依次求出梯度： 

%%% YOUR CODE HERE %%%

Wd_grad = (1./numImages) .* DeltaSoftmax*activationsPooled'+lambda*Wd;

bd_grad = (1./numImages) .* sum(DeltaSoftmax,2);

bc_grad = zeros(size(bc));

Wc_grad = zeros(filterDim,filterDim,numFilters);

for filterNum = 1:numFilters

    error = DeltaConv(:,:,filterNum,:);

    bc_grad(filterNum) = (1./numImages) .* sum(error(:));

end

%旋转所有DealtaConv

for filterNum = 1:numFilters

    for imNum = 1:numImages

        error = DeltaConv(:,:,filterNum,imNum);

        DeltaConv(:,:,filterNum,imNum) = rot90(error,2);

    end

end

for filterNum = 1:numFilters

    for imNum = 1:numImages

        Wc_grad(:,:,filterNum) = Wc_grad(:,:,filterNum) + conv2(images(:,:,imNum),DeltaConv(:,:,filterNum,imNum),'valid');

    end

end

Wc_grad = (1./numImages) .* Wc_grad + lambda*Wc;

Step 2: Gradient Check

当时明明我的梯度下降没法收敛，这一步居然通过了=。=

Step 3: Learn Parameters

这步比较简单，根据UFLDL对随机梯度下降的解释，在minFuncSGD中加上冲量的影响就可以了： 

%%% YOUR CODE HERE %%%

        velocity = mom*velocity+alpha*grad;

        theta = theta - velocity;

Step 4: Test

运行cnnTrain，最后准确率可以达到97%+

以上就可UFLDL上cnn的实现，最重要的是弄清楚每一层在每一个过程中需要进行的操作，我都总结在文章开头的表格里面了~matlab给我一个很大的感受就是矩阵的demension match，有时候知道公式是什么样的，但是实现起来要考虑矩阵的维度，两个维度match的矩阵才能相乘或者相加，不过好处就是再不知道怎么写代码的时候可以结果维度match来写代码。而且cnn debug起来真的好困难，完全不知道是哪里出了问题=。=

完整的代码在我的github上。

参考：

【1】http://ufldl.stanford.edu/tutorial/supervised/ExerciseConvolutionalNeuralNetwork/

【2】http://blog.csdn.net/lingerlanlan/article/details/41390443

相关阅读

目录[+]