6-5　CNN模型实操

一般卷积会采用3×3或5×5的滤波器，尺寸越大，可以提取越大的特征，但相对地，较小的特征就容易被忽略。而池化层通常会采用2×2，stride=2的滤波器，使用越大的尺寸，会使得参数个数减少很多，但提取到的特征也相对减少。

以下就先以CNN模型实操MNIST辨识。

范例1.将手写阿拉伯数字辨识的模型改用CNN。

完整程序请参阅【06_02_MNIST_CNN.ipynb】，以下仅介绍差异的程序代码。

（1）改用CNN模型：使用两组Conv2d/MaxPool2d，比较特别的是使用2个nn.Sequential各包一组Conv2d/MaxPool2d。Conv2d参数依次如下：

in-channel：输入通道数，第一个Conv2d要指定颜色数，单色为1，彩色为3(R/G/B)。

out-channel：输出通道数，为要产生的滤波器个数。

kernel size：滤波器尺寸。

Stride：滑动的步数。

Padding：补零的行数。

（2）之前讲过PyTorch的完全连接层需要指定输入及输出参数，这时就麻烦了，从卷积/池化层输出的神经元个数是多少呢？亦即第16行的“7*7*32”是怎么计算出来的？因Padding/Stride设定，输出会有所差异，因此，我们必须仔细计算，才能作为下一个完全连接层的输入参数。

卷积层输出图像宽度公式如下：

W _ out =( W - F +2 P )/ S +1

其中：

W ：输入图像宽度。

F ：滤波器(Filter)宽度。

P ：补零的行数(Padding)。

S ：滑动的步数(Stride)。

池化层输出图像宽度的公式与卷积层相同。

卷积/池化层输出神经元的公式：

输出图像宽度×输出图像高度×滤波器个数

TensorFlow完全连接层只须填输出参数，完全没有这方面的困扰。

笔者将相关计算公式写成多个函数如下。

（3）测试。

执行结果：1568，即7×7×32。

如果模型定义错误，会产生错误信息，同时也会出现正确的输出个数，届时再依据错误信息更正也可以，这是投机的小技巧，例如：

RuntimeError: mat1 and mat2 shapes cannot be multiplied (1000x12544 and 9216x128)

表示要把9216改成12544。

（4）验证：显示模型的汇总信息，内含各层输入及输出参数。

执行结果：如下程序代码最后一行，1568，即7×7×32。

（5）测试数据评分。

执行结果：准确率约97.11%，实际预测前20笔数据，完全正确。

（6）以笔者手写的文件测试。

执行结果：比之前的效果好多了，只有数字9辨识错误，不过，笔者把训练周期加大为10，因为只训练5周期，损失似乎还未趋于收敛。

从卷积层运算观察，CNN模型有两个特点：

（1）部分连接(Locally Connected or Sparse Connectivity)：完全连接层(Linear)每个输入的神经元完全连接(Full Connected)至每个输出的神经元，但卷积层的输出神经元则只连接滑动窗口神经元，如图6.9所示。想象一下，假设在手臂上拍打一下，手臂以外的神经元应该不会收到信号，既然没收到信号，理所当然就不必往下一层传送信号了，所以，下一层的神经元只会收到上一层少数神经元的信号，接收到的范围称为感知域(Reception Field)。

由于部分连接的关系，神经层中每条回归线的输入特征大幅减少，要估算的权重个数也就少了很多。

（2）权重共享(Weight Sharing)：单一滤波器应用到滑动窗口时，卷积矩阵值都是一样的，如图6.10所示，基于这个假设，要估计的权重个数就减少许多，模型复杂度因而进一步简化了。

基于以上两个假设，CNN模型参数会比较少。

另外为什么CNN模型输入数据要加入色彩信道(Channel)？这是因为有些情况加入色彩，会比较容易辨识，比如狮子毛发大部分是金黄色的，又或者侦测是否有戴口罩，只要图像上有一块白色的矩形，我们应该就能假定有戴口罩，当然目前口罩颜色已经五花八门，需要更多的训练数据，才能正确辨识。

范例2.加入标准化(Normalize)前置处理，通常训练可以较快速收敛，且准确度可以提高。

下列程序代码请参考【06_03_MNIST_CNN_Normalize.ipynb】。

（1）标准化：其中的平均数/标准偏差是依据ImageNet数据集统计出来的最佳值(第3行)，并在DataSet中设定转换函数(第8行)。

（2）以测试数据评分的准确率为98.39%，无明显帮助，笔者写的数字还是没有全对。这部分与TensorFlow测试结果有所差异，TensorFlow采取MinMaxScaler准确率会明显提高。

范例3.前面的数据集都是单色的图像，我们也使用彩色的图像测试看看。

直接复制【06_03_MNIST_CNN_Normalize.ipynb】，稍作修改即可。

以下仅说明关键程序代码，完整程序参阅【06_04_Cifar_RGB_CNN.ipynb】。

（1）载入套件：PyTorch对影像、语音及文字提供个别的命名空间(Namespace)，分别为torchvision、torchaudio、torchtext，相关的函数和数据集都涵盖在内。

（2）加载Cifar10数据，与单色的图像辨识相同，但不需转换为单色，标准化(Normalize)的平均数/标准偏差也可以依据ImageNet数据集统计出来的最佳值设定，这里单纯设定为0.5，读者可试试有无差异。

执行结果如下：训练数据共50000笔，测试数据共10000笔，图像尺寸为(32,32)，有三个颜色(R/G/B)。

(50000, 32, 32, 3) (10000, 32, 32, 3)

（3）CIFAR 10数据集共10种类别。

（4）观察数据内容：显示8张图片。

注意，自DataLoader读出的维度为[8, 3, 32, 32]，颜色放在第2维，这是配合Conv2d的输入要求，要显示图像，必须将颜色放在最后一维(第9行)。

以DataLoader读取的图像范围介于[0, 1]之间，经过转换后数据介于[-1, 1]，要显示图像将数据还原(第6行)，公式为( x × δ )+ μ 。

执行结果：分辨率不是很高，图像有点模糊，下面有对应的标注(Label)。

（5）建立CNN模型：第8行Conv2d第1个参数为3，即颜色通道数，表R/G/B三颜色。

（6）定义训练函数：同前，只是逐步将相关程序代码模块化，以提高生产力。

（7）定义测试函数：同前。

（8）执行训练：笔者使用之前的损失函数(F.nll_loss)及优化器(Adadelta)，但训练效果不佳，后来依照原文使用nn.CrossEntropyLoss、SGD，才得到比较合理的模型。另外，调用train函数时，若使用nn.CrossEntropyLoss，后面要加()，因为它是类别，要先建立对象才能计算损失，其他损失函数以F.开头的，可直接使用。

（9）评分。

执行结果：准确率为57.31%，比单色图像辨识准确率低很多，因为背景图案不是单纯的白色。

（10）测试一批数据。

执行结果：有一半辨识错误。

（11）计算各类别的准确率：观察是否有特别难以辨识的类别，可针对该类别进一步处理。

执行结果：cat、dog准确率偏低，后续我们会试着改善模型准确率。

另外，数据前置处理补充说明如下：

影像/视频数据可使用Pillow、scikit-image、OpenCV套件存取。

语音数据可使用SciPy、librosa套件存取。

文字数据可使用NLTK、SpaCy套件存取。 ZCPBMKQEJ8pYAiDnWLk+RAW9rlaR9KwD0ttwi0iUh0NXhdkrCzAwVDLDQ+22z/c9