这个例子展示了如何创建一个带有剩余连接的深度学习神经网络,并在CIFAR-10数据上进行训练。残差连接是卷积神经网络体系结构中一个很受欢迎的元素。使用剩余连接可以改善网络中的梯度流,并可以训练更深层次的网络。
对于许多应用程序,使用由简单层序列组成的网络就足够了。然而,一些应用程序要求网络具有更复杂的图结构,其中层可以有来自多个层的输入和多个层的输出。这些类型的网络通常被称为有向无环图(DAG)网络。残余网络是一种DAG网络,它具有绕过主网络层的残余(或捷径)连接。剩余连接使参数梯度更容易从输出层传播到网络的早期层,这使得训练更深层次的网络成为可能。这种增加的网络深度可以在更困难的任务中获得更高的准确性。
要创建和训练具有图结构的网络,请遵循以下步骤。
创建一个LayerGraph
对象使用layerGraph
.层图指定网络架构。您可以创建一个空的图层图,然后向其添加图层。您还可以直接从网络层数组创建层图。在这种情况下,layerGraph
一个接一个地连接数组中的层。
添加图层到图层图使用addLayers
,并使用removeLayers
.
连接层到其他层使用connectLayers
,并使用disconnectLayers
.
绘制网络架构使用情节
.
使用trainNetwork
.训练过的网络是一个DAGNetwork
对象。
利用新数据进行分类和预测分类
而且预测
.
这个例子展示了如何从头开始构建一个剩余网络。属性也可以创建残留网络resnetLayers
函数。该函数允许您快速构造图像分类任务的残差网络。
您还可以加载预先训练的网络进行图像分类。有关更多信息,请参见预训练的深度神经网络.
下载CIFAR-10数据集[1]。该数据集包含60,000张图像。每张图像大小为32x32,有三个颜色通道(RGB)。数据集的大小为175 MB。根据您的互联网连接,下载过程可能需要时间。
Datadir = tempdir;downloadCIFARData (datadir);
将CIFAR-10训练和测试图像加载为4-D数组。训练集包含50,000张图像,测试集包含10,000张图像。使用CIFAR-10测试图像进行网络验证。
[XTrain,YTrain,XValidation,YValidation] = loadCIFARData(datadir);
您可以使用以下代码显示训练图像的随机样本。
图;idx = randperm(size(XTrain,4),20);im = imtile(XTrain(:,:,:,idx),“ThumbnailSize”(96、96));imshow (im)
创建一个augmentedImageDatastore
对象用于网络培训。在训练期间,数据存储沿垂直轴随机翻转训练图像,并在水平和垂直上将它们随机转换为4个像素。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。
imageSize = [32 32 3];pixelRange = [-4 4];imageAugmenter = imageDataAugmenter(...“RandXReflection”,真的,...“RandXTranslation”pixelRange,...“RandYTranslation”, pixelRange);augimdsTrain = augmentedimagedastore (imageSize,XTrain,YTrain,...“DataAugmentation”imageAugmenter,...“OutputSizeMode”,“randcrop”);
剩余网络架构由以下组件组成:
一个由卷积、批处理归一化和ReLU层依次连接的主分支。
剩余的连接绕过了主分支的卷积单元。剩余连接和卷积单元的输出逐元素添加。当激活的大小发生变化时,剩余连接也必须包含1 × 1的卷积层。剩余连接使参数梯度更容易从输出层流向网络的早期层,这使得训练更深层次的网络成为可能。
创建分支机构
首先创建网络的主分支。主要分支包括五个部分。
包含图像输入层和带有激活的初始卷积的初始部分。
具有不同特征大小的卷积层的三个阶段(32 × 32、16 × 16和8 × 8)。每个阶段包含N卷积的单位。在这一部分的例子中,N = 2.每个卷积单元包含两个带有激活的3 × 3卷积层。的netWidth
参数为网络宽度,定义为网络第一阶段卷积层中的过滤器数量。第二和第三阶段的第一个卷积单元将空间维度降低了两倍。为了保持整个网络中每个卷积层所需的计算量大致相同,每次执行空间下采样时,将过滤器的数量增加两倍。
最后一个部分具有全局平均池化、全连接、softmax和分类层。
使用convolutionalUnit (numF、跨步、标签)
创建一个卷积单元。numF
是每层卷积滤波器的个数,步
单位的第一卷积层的步幅,和标签
是一个字符数组,放在层名前面。的convolutionalUnit
函数在示例的末尾定义。
给所有层赋予唯一的名称。卷积单元中的层名称以“SjUk”
,在那里j
阶段索引和k
是卷积单元在这一阶段的下标。例如,“S2U1”
表示阶段2,单元1。
netWidth = 16;图层= [imageInputLayer([32 32 3],“名字”,“输入”) convolution2dLayer (3 netWidth“填充”,“相同”,“名字”,“convInp”) batchNormalizationLayer (“名字”,“BNInp”) reluLayer (“名字”,“reluInp”) convolutionalUnit (netWidth 1“S1U1”) additionLayer (2“名字”,“add11”) reluLayer (“名字”,“relu11”) convolutionalUnit (netWidth 1“S1U2”) additionLayer (2“名字”,“add12”) reluLayer (“名字”,“relu12”) convolutionalUnit (2 * netWidth 2“S2U1”) additionLayer (2“名字”,“add21”) reluLayer (“名字”,“relu21”) convolutionalUnit (2 * netWidth 1“S2U2”) additionLayer (2“名字”,“add22”) reluLayer (“名字”,“relu22”) convolutionalUnit (4 * netWidth 2“S3U1”) additionLayer (2“名字”,“add31”) reluLayer (“名字”,“relu31”) convolutionalUnit (4 * netWidth 1“S3U2”) additionLayer (2“名字”,“add32”) reluLayer (“名字”,“relu32”) averagePooling2dLayer (8,“名字”,“globalPool”) fullyConnectedLayer (10“名字”,“fcFinal”) softmaxLayer (“名字”,“softmax”) classificationLayer (“名字”,“classoutput”));
从图层数组创建一个图层图。layerGraph
连接所有的层层
按顺序。绘制层图。
lgraph = layerGraph(图层);图(“单位”,“归一化”,“位置”,[0.2 0.2 0.6 0.6]);情节(lgraph);
创建剩余连接
在卷积单元周围添加剩余连接。大多数剩余连接不执行任何操作,只是简单地将元素添加到卷积单元的输出中。
创建剩余连接“reluInp”
到“add11”
层。因为您在创建层时指定了添加层的输入数量为两个,所以该层有两个带有名称的输入“三机”
而且“in2”
.第一卷积单元的最后一层已经连接到“三机”
输入。然后,加法层将第一个卷积单元的输出和“reluInp”
层。
以同样的方式,连接“relu11”
层的第二个输入“add12”
层。通过绘制图层图,检查是否已经正确连接了图层。
lgraph = connectLayers(“reluInp”,“add11 / in2”);lgraph = connectLayers(“relu11”,“add12 / in2”);图(“单位”,“归一化”,“位置”,[0.2 0.2 0.6 0.6]);情节(lgraph);
当卷积单元中的层激活改变大小时(即当它们在空间上被下采样,在通道维度上被上采样),剩余连接中的激活也必须改变大小。通过使用1 × 1卷积层及其批处理归一化层来改变剩余连接中的激活大小。
skip1 = [convolution2dLayer(1,2*netWidth,“步”2,“名字”,“skipConv1”) batchNormalizationLayer (“名字”,“skipBN1”));lgraph = addLayers(lgraph,skip1);lgraph = connectLayers(“relu12”,“skipConv1”);lgraph = connectLayers(“skipBN1”,“add21 / in2”);
在网络的第二阶段添加身份连接。
lgraph = connectLayers(“relu21”,“add22 / in2”);
将第二阶段和第三阶段之间的剩余连接中的激活大小更改为另一个1 × 1卷积层及其批处理归一化层。
skip2 = [convolution2dLayer(1,4*netWidth,“步”2,“名字”,“skipConv2”) batchNormalizationLayer (“名字”,“skipBN2”));lgraph = addLayers(lgraph,skip2);lgraph = connectLayers(“relu22”,“skipConv2”);lgraph = connectLayers(“skipBN2”,“add31 / in2”);
添加最后一个标识连接并绘制最终层图。
lgraph = connectLayers(“relu31”,“add32 / in2”);图(“单位”,“归一化”,“位置”,[0.2 0.2 0.6 0.6]);情节(lgraph)
要为任意深度和宽度的CIFAR-10数据创建带有剩余连接的层图,请使用支持函数金宝appresidualCIFARlgraph.
lgraph = residualCIFARlgraph(netWidth,numUnits,unitType)
为具有剩余连接的CIFAR-10数据创建层图。
netWidth
是网络宽度,定义为网络的前3 × 3卷积层中的过滤器数量。
numUnits
是网络主分支中卷积单元的个数。因为网络由三个阶段组成,每个阶段都有相同数量的卷积单元,numUnits
必须是3的整数倍。
unitType
卷积单元的类型是否指定为“标准”
或“瓶颈”
.一个标准的卷积单元由两个3 × 3的卷积层组成。瓶颈卷积单元由三个卷积层组成:1 × 1层用于通道维度的下采样,3 × 3卷积层和1 × 1层用于通道维度的上采样。因此,瓶颈卷积单元的卷积层数比标准单元多50%,但空间3 × 3卷积的数量只有一半。这两种单元类型具有相似的计算复杂度,但是当使用瓶颈单元时,在剩余连接中传播的特征总数要大四倍。总深度定义为连续卷积层和全连接层的最大数量,为2*numUnits
标准单元网络为+ 2,3*numUnits
有瓶颈单元的网络+ 2。
创建一个带有9个标准卷积单元(每个阶段3个单元)和16个宽度的剩余网络。总网络深度为2*9+2 = 20。
numUnits = 9;netWidth = 16;lgraph = residualCIFARlgraph(netWidth,numUnits,“标准”);图(“单位”,“归一化”,“位置”,[0.1 0.1 0.8 0.8]);情节(lgraph)
指定培训选项。训练网络80个epoch。选择与迷你批处理大小成比例的学习率,并在60个epoch后将学习率降低10倍。使用验证数据每个epoch验证一次网络。
miniBatchSize = 128;learnRate = 0.1*miniBatchSize/128;valFrequency = floor(size(XTrain,4)/miniBatchSize);选项= trainingOptions(“个”,...“InitialLearnRate”learnRate,...“MaxEpochs”, 80,...“MiniBatchSize”miniBatchSize,...“VerboseFrequency”valFrequency,...“洗牌”,“every-epoch”,...“阴谋”,“训练进步”,...“详细”假的,...“ValidationData”{XValidation, YValidation},...“ValidationFrequency”valFrequency,...“LearnRateSchedule”,“分段”,...“LearnRateDropFactor”, 0.1,...“LearnRateDropPeriod”、60);
训练网络使用trainNetwork
,设置doTraining
旗帜真正的
.否则,加载一个预先训练好的网络。在一个好的GPU上训练网络大约需要两个小时。如果你没有GPU,那么训练需要更长的时间。
doTraining = false;如果doTraining trainedNet = trainNetwork(augimdsTrain,lgraph,options);其他的负载(“cifarnet - 20 - 16. -垫”,“trainedNet”);结束
计算网络在训练集(没有数据增强)和验证集上的最终精度。
[YValPred,probs] = category (trainedNet,XValidation);validationError = mean(YValPred ~= YValidation);YTrainPred =分类(trainedNet,XTrain);trainError = mean(YTrainPred ~= YTrain);disp (“训练错误:”+ trainError*100 +“%”)
训练误差:2.862%
disp ("验证错误:"+ validationError*100 +“%”)
验证错误:9.76%
绘制混淆矩阵。通过使用列和行摘要显示每个类的精度和召回率。该网络最常见的混淆猫和狗。
图(“单位”,“归一化”,“位置”,[0.2 0.2 0.4 0.4]);cm = confusionchart(YValidation,YValPred);厘米。Title =验证数据混淆矩阵;厘米。ColumnSummary =“column-normalized”;厘米。RowSummary =“row-normalized”;
您可以使用以下代码显示9个测试图像的随机样本以及它们的预测类和这些类的概率。
figure idx = randperm(size(XValidation,4),9);为i = 1:元素个数(idx)次要情节(3 3 i) imshow (XValidation (:,:,:, idx(我)));Prob = num2str(100*max(probs(idx(i),:)),3);(YValPred(idx(i)));标题([predClass,”、“概率,“%”])结束
convolutionalUnit (numF、跨步、标签)
创建带有两个卷积层和相应的批处理归一化层和ReLU层的层数组。numF
是卷积滤波器的个数,步
第一卷积层的步幅,和标签
是一个附加在所有层名之前的标记。
函数图层= convolution2dLayer(3,numF, stride,tag)“填充”,“相同”,“步”步,“名字”,标签,“conv1”]) batchNormalizationLayer (“名字”,标签,“BN1”]) reluLayer (“名字”,标签,“relu1”numF]) convolution2dLayer(3日,“填充”,“相同”,“名字”,标签,“conv2”]) batchNormalizationLayer (“名字”,标签,“BN2”)));结束
[1]克里哲夫斯基,亚历克斯。“从微小的图像中学习多层特征。”(2009)。https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf
[2]何开明,张翔宇,任少卿,孙健。“用于图像识别的深度剩余学习。”在IEEE计算机视觉和模式识别会议论文集,第770-778页。2016.
resnetLayers
|resnet3dLayers
|trainNetwork
|trainingOptions
|layerGraph
|analyzeNetwork