torch_06_卷积神经网络

1.概述

　　卷积神经网络的参数，由一些可学习的滤波器集合构成的，每个滤波器在空间上都计较小，但是深度和输入数据的深度保持一致。在前向传播中，让每个滤波器都在输入数据的宽度和高度上滑动（卷积），然后计算整个滤波器和输入数据任意一处的内积。当滤波器沿着输入数据的宽度和高度滑动时，会生成一个二维的激活图，激活图上的每个空间位置表示了原图片对于该滤波器的反应。

2. 三种思想

2-1 局部性

　　对于一张图片，需要检测图片中的特征来决定图片的类别，通常情况下这些特征都不是由整张图片决定的，而是由局部的区域决定。

2-2 相同性

　　对于不同的图片，如果他们具有相同的特征，这些特征会出现在图片的不同位置，也就是说可以用同样的检测模型去检测不同图片的相同特征，只不过这些特征处于图片中不同的位置，但是特征检测所做的操作几乎一样。

2-3 不变性

　　对于一张大图片，如果我们进行下采样，图片的性质基本保持不变。

3.全连接网络

　　由一系列隐藏层构成，每个隐藏层中由若干个神经元构成，其中每个神经元都和前一层的所有神经元相关联，但是每一层中的神经元是相互独立的。

　　存在的问题：比如在MNIST数据集，图片大小为28*28，那么第一个隐藏层的单个神经元的权重数目是28*28 = 784个（权重矩阵的一行为一个神经元，一行有784列）

4.卷积神经网络：一个滤波器就相当于一个神经元

卷积层：

　　4.1 局部区域连接：

　　是一个3D的容量神经元，也就是说神经元是以三个维度来排列的：宽度，高度，深度。

　　主要的层结构：卷积层，池化层和全连接层，通过堆叠这些层结构形成了一个完整的卷积神经网络结构。卷积神经网络将原始图片转换成最后的类别得分，其中一些层包含参数，一些层没有包含参数，比如卷积层和全连接层有参数，激活层和池化层不含参数，这些参数通过梯度下降法来更新，最后使得模型尽可能正确的识别类别。

　　 与神经元连接的空间大小叫做神经元的感受野。它的大小是滤波器的宽和高。

　　例如：输入的数据尺寸：32*32*3，感受野（滤波器尺寸）：5*5，卷积层中每个神经元会有输入数据中5*5*3区域的权重，一共有75个权重。

　　4.2 空间排列：

　　卷积层的输出深度是一个超参数，与使用的滤波器数量一致，每种滤波器所做的就是输入数据中寻找一种特征。比如输入一张原始图片，卷积层输出的深度是20，这说明有20个滤波器对数据进行处理，每种滤波器寻找一种特征进行激活。

　　4.3 边界填充：保证输入和输出再空间上的尺寸一致。

　　一般的，当步长S =1，零填充的值为 P = （F-1）/2 （F为滤波器的宽度）

　　4.4 参数共享

　　输出数据再深度切片上所有的权重都是用同一个权重向量，那么卷积层在向前传播的过程中，每个深度切片都可以看成是神经元的权重对输入数据体做卷积

　　卷积核的输出是一副修改后的图像，在深度学习中经常被称作feature map。对每个颜色通道都有一个feature map

池化层

　　池化层和卷积层一样也有一个空间窗口，通常采用的是取这些窗口的最大值作为输出结果 ，然后不断滑动窗口，对输入的每个深度切片单独处理，减少它的空间尺寸。图片特征具有不变性，也就是通过下采样不会丢失图片拥有的特征，由于这种特性，我们可以将图片缩小再进行卷积处理，这样大大降低卷积运算的时间。

多通道的卷积：

　　输入通道：

　　每个输入通道的图片都是用同一个卷积核进行卷积操作，生成与输入通道匹配的feature map，然后再把这几张feature map相同位置的值加起来，生成一张feature map

　　输出通道：

　　想要输出几个feature map，就放几个卷积核，就是几个输出通道。

5 Pytorch卷积模块

5.1 nn.Conv2d():

　　in_channels:输入数据体的深度

　　out_channels:输出数据体的深度

　　kernel_size:滤波器（卷积核）的大小，可以用一个数字来表示高和宽相同的卷积核，也可以用不同的数字

　　stride:滑动的步长

　　padding:=0表示四周不进行零填充，=1，表示四周进行1个像素点的零填充

　　dilation 表示卷积对于输入数据体的空间间隔，默认 dilation =1

　　groups 表示输出数据体深度上和输入数据体深度上的联系，默认 groups=l ，也就是所有的输入和输出都是相关联的，如果 groups=2 ，这表示输入的深度被分割成两份，输出的深度也被分割成两份，他们之间分别对应起来，所以要求输出和输入都必 要能被 groups 整除;

　　bias:默认为True，表示使用偏置

 6.代码实现简单的多层网络以及提取层结构

 6.1模型层

1 """
 2 torch.nn.sequential():一个时序容器，Model 会以他们传入的顺序被添加到容器中
 3 add_module(name,module):将一个child module添加到当前model，被添加的module可以通过name属性来获取。
 4 """
 5 import torch.nn as nn
 6 
 7 
 8 class SimpleCNN(nn.Module):
 9     def __init__(self):
10         super(SimpleCNN,self).__init__()
11         layer1 = nn.Sequential()#时序容器
12         layer1.add_module('conv1',nn.Conv2d(3,32,3,1,padding=1))
13         layer1.add_module('relu1',nn.ReLU(True))
14         layer1.add_module('pool1',nn.MaxPool2d(2,2))
15         self.layer1 = layer1
16 
17         layer2 = nn.Sequential()  # 时序容器
18         layer2.add_module('conv2', nn.Conv2d(32, 64, 3, 1, padding=1))
19         layer2.add_module('relu2', nn.ReLU(True))
20         layer2.add_module('pool2', nn.MaxPool2d(2, 2))
21         self.layer2 = layer2
22 
23         layer3 = nn.Sequential()  # 时序容器
24         layer3.add_module('conv3', nn.Conv2d(64, 128, 3, 1, padding=1))
25         layer3.add_module('relu3', nn.ReLU(True))
26         layer3.add_module('pool3', nn.MaxPool2d(2, 2))
27         self.layer3 = layer3
28 
29         layer4 = nn.Sequential()
30         #  第三层后的输入体为：4×4×128=2048
31         # 进入全连接层时,需要有2048个权重，输出的样本大小512
32         layer4.add_module('fc1',nn.Linear(2048,512))
33         layer4.add_module('fc_relu1',nn.ReLU(True))
34         layer4.add_module('fc2',nn.Linear(512,64))
35         layer4.add_module('fc_relu2',nn.ReLU(True))
36         layer4.add_module('fc3',nn.Linear(64,10))
37         self.layer4 = layer4
38 
39     def forward(self, x):
40         conv1 = self.layer1(x)
41         conv2 = self.layer2(conv1)
42         conv3 = self.layer3(conv2)
43         fc_input = conv3.view(conv3.size(0),-1)#conv3.size(0)表示样本个数，对数据体4×4×128重新排列，进入全连接层
44         fc_output = self.layer4(fc_input)
45         return fc_output

 6.2 named_children(),named_modules(),提取网络前两层

model = SimpleCNN()
for name,module in model.named_children():
    print('children module:',name)  # 只输出，layer1，layer2，layer3，layer4
for name,module in model.named_modules():
    print('module:',name)  # layer1.conv1，layer1.relu1 layer1.pool1
# print('提取前两层')
# new_model = nn.Sequential(*list(model.children())[:2])
# print(new_model)

 

7.提取参数及定义初始化

　　7.1 提取参数

　　nn.Module中两个特别重要的关于参数的属性

　　name_parameters()：给出网络的名字和参数的迭代器

　　parameters():给出一个网络的全部参数的迭代器

for param in model.named_parameters():
     print(param[0])  # layer1.conv1.weight layer1.conv1.bias layer2.conv2.weight layer2.conv2.bias
for param in model.parameters():
    print(param)  # 全部参数，具体的值

　　7.2 参数初始化

　　权重是一个Variable，所以只需要取出其中的data属性，然后对它进行需要的处理。

#对变量进行初始化:
# 使用torch.nn.init
# import numpy as np
# import torch
for m in model.modules():
    if isinstance(m,nn.Conv2d):
        nn.init.normal_(m.weight.data)
        print(m.weight.shape)  # torch.Size([32, 3, 3, 3])
        m.bias.data.fill_(0)  # torch.Size([32, 3, 3, 3])
        break
    elif isinstance(m,nn.Linear):
        m.weight.data.normal_()
        break
        #直接赋值
        # param_shape = m.weight.shape
        # m.weight.data = torch.from_numpy((np.random.uniform(3,5,size = param_shape)))

# 在使用Sequential时直接对参数进行修改
net1 = nn.Sequential(
    nn.Linear(30,40),
    nn.ReLU(),
    nn.Linear(40,50),
    nn.ReLU(),
    nn.Linear(50,10)
)
net1[0].weight.data = torch.from_numpy(np.random.uniform(3,5,size=(30,40)))