【TensorFlow实战】TensorFlow实现经典卷积神经网络之VGGNet
VGGNet
VGGNet是牛津大学计算机视觉组与Google DeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核核2*2的最大池化层，VGGNet成功地构建了16~19层的卷积神经网络。VGGNet相比于之前state-of-the-art网络结构，错误率大幅下降，并取得了ILSVRC 2014比赛分类项目的第二名和定位项目的第一名。VGGNet的结构非常简洁，整个网络都是使用了同样大小的卷积尺寸3*3和最大池化尺寸2*2。到目前为止，VGGNet依然经常被用来提取图像特征。VGGNet训练后的模型参数在其官网上开源了，可用在domain specific的图像分类任务上进行再训练（相当于提供了非常好的初始化权重），因此被用在了很多地方。
VGGNet论文中全部使用了3*3的卷积核和2*2的池化核，通过不断加深网络结构来提升性能。下图一为VGGNet各级网络结构，下图二为每一级的参数量，从11层的网络到19层的网络都有详尽的性能测试。参数量大的是后面的全连接层，但训练比较耗时的是卷积。其中D、E就是我们常说的VGGNet-16和VGGNet-19。C很有意思，相比B多了几个1*1的卷积层，1*1卷积的意义主要在于线性变换，而输入通道数和输出通道数不变，没有发生降维。
图一
图二
VGGNet拥有5段卷积，每一段内有2~3个卷积层，同时每段尾部会连接一个最大池化层用来缩小图片尺寸，各段卷积核个数：64--128--256--512--512。
其中一个非常有用的设计就是多个完全一样的3*3卷积层堆叠在一起。两个3*3的卷积层串联在一起相当于1个5*5的卷积层，即一个像素会跟周围5*5的像素产生关联，可以说感受野大小为5*5。而3个3*3卷积层的串联相当于1个7*7的卷积层，而且比1个7*7的卷积层更少的参数量，只有后者的 (3*3*3)/(7*7) =55%。最重要的是，3个3*3的卷积层比1个7*7的卷积层更多的非线性变换（前者可以使用3次ReLU，而后者智能用一次），使得CNN对特征的学习能力更强。
VGGNet在训练时有个小技巧，先训练级别A的网络，再复用A网络的权重来初始化后面的几个复杂模型，这样训练收敛的速度更快。在预测时，VGG采用Multi-Scale的方法，将图像scale到一个尺寸Q，并将图片输入到神经网络计算。然后再最后一个卷积层使用滑窗的方式进行分类预测，将不用窗口的分类结果平均，再将不同尺寸Q的结果平均得到最后结果，这样可以提高图片数据的利用率并提升预测准确率。同时在训练中，VGGNet还使用了Multi-Scale方法做数据增强，将原始图片缩放到不同尺寸S，然后再随机裁取224*224的图片，这样能增加很多数据量，对于防止模型过拟合有很不错的效果。实践中，作者令S在【256,512】这个区间内取值，使用Multi-Scale获得多个版本的数据，并将多个版本的数据合在一起训练。下图便是VGGNet使用Multi-Scale训练得到的结果：
可以看到D和E都可以达到7.5% 的错误率。最终提交到ILSVRC 2014的版本是仅使用Single-Scale的6个不同等级的网络与Multi-Scale的D网络融合，达到7.3%的错误率。不过比赛后作者发现只融合Multi-Scale的D和E可以达到更好的效果。错误率达到7.0%，再使用其他优化策略最终错误率可达到6.8%左右，非常接近当年的冠军Google Inceptin Net。同时，作者在对比各级网络时总结出以下几个观点：
1.LRN层作用不大；
2.越深的网络效果越好；
3.1*1的卷积也是很有效的，但是没有3*3的卷积好，大一些的卷积核可以学到更大的特征。
VGGNet-16实现：
from datetime import datetime import math import time import tensorflow as tf # 定义卷积层 def conv_op(input_op, name, kh, kw, n_out, dh, dw, p): # input_op是输入的tensor # name是这一层的名字 # kh即kernel height 卷积核的高 # kw即kernel width 卷积核的宽 # n_out是卷积核数量即输出通道 # dh是步长的高 # dw是步长的宽 # p是参数列表 n_in = input_op.get_shape()[-1].value # 获取input_op的通道数 with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d()) conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME') bias_init_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32) biases = tf.Variable(bias_init_val, trainable=True, name='b') z = tf.nn.bias_add(conv, biases) activation = tf.nn.relu(z, name=scope) p += [kernel, biases] return activation # 定义全连接层 def fc_op(input_op, name, n_out, p): n_in = input_op.get_shape()[-1].value with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[n_in, n_out], # [输入的通道数，输出的通道数] dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer()) biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name='b') # 赋予0.1而不是0避免dead neuron activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope) p += [kernel, biases] return activation # 定义最大池化层 def mpool_op(input_op, name, kh, kw, dh, dw): return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name) # 定义VGGNet-16网络结构 def inference_op(input_op, keep_prob): p = [] # assume input_op shape is 224x224x3 # block 1 -- outputs 112x112x64 conv1_1 = conv_op(input_op, name="conv1_1", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) conv1_2 = conv_op(conv1_1, name="conv1_2", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) pool1 = mpool_op(conv1_2, name="pool1", kh=2, kw=2, dw=2, dh=2) # block 2 -- outputs 56x56x128 conv2_1 = conv_op(pool1, name="conv2_1", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) conv2_2 = conv_op(conv2_1, name="conv2_2", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) pool2 = mpool_op(conv2_2, name="pool2", kh=2, kw=2, dh=2, dw=2) # block 3 -- outputs 28x28x256 conv3_1 = conv_op(pool2, name="conv3_1", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_2 = conv_op(conv3_1, name="conv3_2", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_3 = conv_op(conv3_2, name="conv3_3", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) pool3 = mpool_op(conv3_3, name="pool3", kh=2, kw=2, dh=2, dw=2) # block 4 -- outputs 14x14x512 conv4_1 = conv_op(pool3, name="conv4_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_2 = conv_op(conv4_1, name="conv4_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_3 = conv_op(conv4_2, name="conv4_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool4 = mpool_op(conv4_3, name="pool4", kh=2, kw=2, dh=2, dw=2) # 到这里，VGGNet-16的每一段网络都会将图像的边长缩小一半，但是将卷积输出通道数翻倍的规律 # block 5 -- outputs 7x7x512 conv5_1 = conv_op(pool4, name="conv5_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_2 = conv_op(conv5_1, name="conv5_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_3 = conv_op(conv5_2, name="conv5_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool5 = mpool_op(conv5_3, name="pool5", kh=2, kw=2, dw=2, dh=2) # flatten # 将第五段卷积网络的输出结果进行扁平化，转化成7*7*512=25088的一维向量 shp = pool5.get_shape() flattened_shape = shp[1].value * shp[2].value * shp[3].value resh1 = tf.reshape(pool5, [-1, flattened_shape], name="resh1") # fully connected fc6 = fc_op(resh1, name="fc6", n_out=4096, p=p) fc6_drop = tf.nn.dropout(fc6, keep_prob, name="fc6_drop") fc7 = fc_op(fc6_drop, name="fc7", n_out=4096, p=p) fc7_drop = tf.nn.dropout(fc7, keep_prob, name="fc7_drop") fc8 = fc_op(fc7_drop, name="fc8", n_out=1000, p=p) softmax = tf.nn.softmax(fc8) predictions = tf.argmax(softmax, 1) return predictions, softmax, fc8, p # 定义评测函数 def time_tensorflow_run(session, target, feed, info_string): num_steps_burn_in = 10 total_duration = 0.0 total_duration_squared = 0.0 for i in range(num_batches + num_steps_burn_in): start_time = time.time() _ = session.run(target, feed_dict=feed) duration = time.time() - start_time if i >= num_steps_burn_in: if not i % 10: print ('%s: step %d, duration = %.3f' % (datetime.now(), i - num_steps_burn_in, duration)) total_duration += duration total_duration_squared += duration * duration mn = total_duration / num_batches vr = total_duration_squared / num_batches - mn * mn sd = math.sqrt(vr) print ('%s: %s across %d steps, %.3f +/- %.3f sec / batch' % (datetime.now(), info_string, num_batches, mn, sd)) # 定义评测主函数 # 输入数据依然是随机生成的 def run_benchmark(): with tf.Graph().as_default(): image_size = 224 images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1)) keep_prob = tf.placeholder(tf.float32) predictions, softmax, fc8, p = inference_op(images, keep_prob) init = tf.global_variables_initializer() config = tf.ConfigProto() config.gpu_options.allocator_type = 'BFC' sess = tf.Session(config=config) sess.run(init) time_tensorflow_run(sess, predictions, {keep_prob:1.0}, "Forward") objective = tf.nn.l2_loss(fc8) grad = tf.gradients(objective, p) time_tensorflow_run(sess, grad, {keep_prob:0.5}, "Forward-backward") batch_size=32 num_batches=100 run_benchmark()
VGGNet-16的计算复杂度相比AlexNet确实高了很多，不过同样带来了很大的准确率的提升。
