CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

本文作者：楊文

2018-02-28 11:54

導(dǎo)語：CS231n 課后作業(yè)第二講 : Assignment 2

雷鋒網(wǎng)AI研習(xí)社按：CS231n是斯坦福大學(xué)開設(shè)的計算機視覺與深度學(xué)習(xí)的入門課程，授課內(nèi)容在國內(nèi)外頗受好評。其配套的課后作業(yè)質(zhì)量也頗高，因此雷鋒網(wǎng)AI研習(xí)社在近期的線上公開課上請來了一位技術(shù)大牛為大家來講解這門課的配套作業(yè)。

本文根據(jù)AI研習(xí)社公開課上的直播視頻內(nèi)容整理而成，主要介紹CS231n 課后作業(yè)第二套Assignment 2的完成思路與重點部分代碼實現(xiàn)。如果你還沒開始聽CS231n，可直接點擊課程鏈接觀看回放視頻。

王煦中，CS碩士，主要研究方向為自然語言處理與深度學(xué)習(xí)。知乎專欄喵神大人的深度工坊（http://t.cn/RTc9wfy）作者，日語及ACGN愛好者。

分享主題：CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）作業(yè)鏈接：https://github.com/Observerspy/CS231n

分享提綱：

Part 1 Fully-connected Neural Network
Part 2 Batch Normalization
Part 3 Dropout
Part 4 Convolutional Networks
Part 5 Tensorflow on CIFAR-10

第一部分分享主要是全連接神經(jīng)網(wǎng)絡(luò)，這里主要是對代碼進行模塊化，把每一層都抽象出來，分別實現(xiàn)每一層的前向和反向部分，實現(xiàn)多層神經(jīng)網(wǎng)絡(luò)。第二和第三部分講的是神經(jīng)網(wǎng)絡(luò)中兩個的重要技巧，對網(wǎng)絡(luò)訓(xùn)練有很大的提升。本次作業(yè)中比較難的部分是卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)，包括正向和反向的推導(dǎo)過程。

第一個部分是對代碼的模塊化處理，實現(xiàn)從兩層到多層神經(jīng)網(wǎng)絡(luò)。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

關(guān)于Update rules

第一個改變是加入了動量更新，也就是慣性。第二個是RMSProp（自適應(yīng)學(xué)習(xí)率），第三個是Adam（兩者結(jié)合），其實是上面兩個方法的結(jié)合，如果拿不準使用哪個方法，就用Adam。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

為什么需要BN（Batch Normalization ）？

傳統(tǒng)機器學(xué)習(xí)往往需要對輸入數(shù)據(jù)做一個歸一化，通常使用的是零均值和方差歸一，這樣會保證輸入的數(shù)據(jù)特征會有比較好的分布，使得算法可以比好好的學(xué)習(xí)。對于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，使用BN使得每一層分布都保持在良好范圍內(nèi)。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

BN的原理

在求均值，求方差，歸一化這三步做完之后，每一層的數(shù)據(jù)分布都是標準正太分布，導(dǎo)致其完全學(xué)習(xí)不到輸入數(shù)據(jù)的特征。BN第四步中最關(guān)鍵的是兩個參數(shù)，這兩個參數(shù)對歸一化后的分母進行縮放和平移，通過網(wǎng)絡(luò)自己學(xué)習(xí)平移和縮放來保留一定的特征。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

訓(xùn)練過程

前向就是計算minibatch的均值和方差，然后對minibatch做normalize和scale、shift。測試的時候沒有minibatch，通過使用基于momentum的指數(shù)衰減，從而估計出均值和方差。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

反向過程

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

BN的作用

可以有效減緩過擬合，減小不好的初始化影響，可以用大一點的學(xué)習(xí)率。通常放在激勵函數(shù)前效果好一點。

Dropout 原理

訓(xùn)練時以概率P保留神經(jīng)元，測試時所有神經(jīng)元都參與。通常在測試的時候使用inverted dropout多移除一個p保證訓(xùn)練預(yù)測分布的統(tǒng)一。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

Dropout的作用

可以有效緩解過擬合，通常dropout放在激勵函數(shù)的后面或者全連接層后。

接下里來看怎么實現(xiàn)一個卷積神經(jīng)網(wǎng)絡(luò)

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

卷積神經(jīng)網(wǎng)絡(luò)通常有三個單元結(jié)構(gòu)，分別是卷積核，激活函數(shù)，池化層。先看卷積核，首先明確輸入x和卷積核的形狀(數(shù)量，通道，高，寬)。

卷積核

這里的卷積和通信原理里的卷積還是稍有區(qū)別的，在這里其實只是卷積核和相應(yīng)的區(qū)域進行元素乘，然后求和，課程官網(wǎng)給的說明十分形象生動。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

也就是每個卷積核分別在每個通道上和對應(yīng)區(qū)域進行元素乘，然后求和，對應(yīng)圖中：(-3(通道1元素乘后求和) + -1(通道2元素乘后求和) + 0 (通道3元素乘后求和))(三個通道求和) + 1（bias_0） = -3(out的第一個格子里的值)

所以，關(guān)鍵問題就是根據(jù)步長如何確定x對應(yīng)區(qū)域，這里需要對Hnew（下標i）和Wnew（下標j）進行雙循環(huán)。選好區(qū)域直接和每個卷積（下標k）核作元素乘就行了，注意sum的時候我們其實是在（C, H, W）上作的，因此axis=(1, 2, 3)。這時候一個輸出out[:, k , i, j]就計算好了。

所以上述一共套了i, j ,k三層循環(huán)，循環(huán)完畢后out再加上bias就行了。注意b的形狀(F,)，因此要先把b擴展成和out一樣的形狀：b[None, :, None, None]（None相當(dāng)于np.newaxis）

以上就是前向計算，接下來是反向計算。

反向計算首先明確我們要求什么。求dx，dw和db。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

卷積核的三個導(dǎo)數(shù)具體的求解過程，請關(guān)注AI慕課學(xué)院視頻回放。

池化層

pooling同樣有步長，確定輸出形狀的公式，計算輸出形狀并初始化，max pooling顧名思義就是取這個pooling大小區(qū)域內(nèi)的max值。注意axis=(2, 3)。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

反向和ReLU、DropOut是類似的，也就是說只有剛才前向通過的才允許繼續(xù)傳遞梯度。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

max_mask形狀是(HH, WW)，為了和x_padded_mask形狀對應(yīng)也要擴展。然后dout和這個temp_binary_mask元素乘即可。同樣注意dout是由i，j確定的，因此形狀需要擴展。

以前我們做的BN形狀是(N, D)，這里不過是將(N, C, H, W)reshape為(N*H*W, C)。

CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)

最后進入TensorFlow

這里強調(diào)一點，在使用BN時請務(wù)必注意：在你的優(yōu)化器上套上下面圖中的兩行代碼，另外需要注意tf.layers.batch_normalization()中的is_training（是一個tf.placeholder）在訓(xùn)練和測試時的設(shè)置，如果要使用dropout也是類似的。 CS231n 課后作業(yè)第二講 : Assignment 2（含代碼實現(xiàn)）| 分享總結(jié)