卷积网络背后的直觉

作者：Adel Nehme

编译：weakish

编者按：和数据科学研究生Adel Nehme一起，探索卷积神经网络（机器视觉和图像识别领域最重要的深度学习技术之一）背后的直觉。

背景

随着AI的突破持续吸引公众注意，人们开始不加区别地使用“人工智能”、“机器学习”、“深度学习”等术语。然而，了解这些术语的区别，有助于把握AI技术的发展趋势。

人工智能同心圆

我们可以把这三个术语想象成三个同心圆，其中人工智能包含了机器学习，机器学习又包含了深度学习。

简单来说，有一些任务，传统上认为需要通过人类认知活动才能完成，开发执行这些任务的计算机系统，即为人工智能。

而机器学习则是创建从大规模数据集中学习模式，并提供洞见的系统。机器学习本身可以分为三大类：

1. 监督学习（supervised learning），理解一组数据点和标签之间的关系，并在未标注的数据点上给出预测。例如，分类是否会出现不良贷款，预测未来股价。

2. 无监督学习（unsupervised learning）则直接基于数据集的相似特征识别有意义的模式。例如，根据购物行为的相似程度聚类消费者。

3. 强化学习（reinforcement learning）让智能体在定义良好的环境中选择可能的行动，并最大化目标函数（奖励）。我们可以把自动驾驶看成一个强化学习问题，在公路上（环境）自动行驶的汽车（智能体），最大化其目标——不要出事故（奖励）。

最后，深度学习是一种机器学习技术，该技术利用大规模数据和多层神经网络以理解数据集的模式。最近在计算机视觉和语音识别等领域的AI突破都是由深度学习研究以及算力的日常商品化驱动的。

什么是卷积神经网络？

深度学习有众多架构和技术，以适应不同的使用场景，其中一种主要的架构和技术是卷积神经网络。卷积神经网络，受到哺乳动物视觉脑皮层方面的研究的启发，参考了哺乳动物使用不同层次的神经元感知世界的方式。可以将这一模型想象成视觉皮层的模型，专门设计的不同神经元组识别不同的形状。每个神经元组看到相应目标后激活，并和其他神经元组互相交流，以发展出感知目标的总体理解。

这一系统可以解释为分层的神经元组，检测输入刺激的低层特性，并互相交流，以发展对目标的高层检测。

• 第一组神经元结构识别低层特征（例如，脸部的轮廓）

• 第二组神经元结构识别颜色和形状（例如，肤色和颌骨转角）

• 第三组神经元结构识别细节（例如，耳朵、鼻子、眼睛）

• 第四组神经元结构整体识别整个目标（例如，脸部和对应之人）

简单来说，看到给定目标后，系统中的不同神经元组因目标的不同方面而激活，并互相交流以形成整体图景。

Yann Lecun从这一视觉脑皮层的层次模型中汲取了灵感，研发了卷积神经网络：

• 局部连接：每层共享一个连接，以互相传递所学特征。

• 层次结构：在不同网络层之间有一个很明显的层次结构——从低层特征（例如，鼻子，眼睛）到高层特征（脸部、具体的人）。

• 空间不变性：模型可以适应输入的平移等变换，仍然能够完成识别。（人类能够识别颠倒或经过其他变换的图像。）

因此，卷积神经网络的架构如下图所示：

典型的卷积神经网络架构

• 其中，输入数据为四维矩阵（样本数字，高，宽，频道）。其中频道对应色彩，彩图有3个频道（R、G、B），而灰度图像只有1个频道。

• 输入数据将连接到一个隐藏层（卷积层），应用多个任意尺寸（通常为3x3或5x5）的过滤器至图像。可以将过滤器想象为一个大小为3x3（或5x5）的小手电，照在输入图像上，尝试提取特征映射。基于特征映射，算法可以理解数据中的局部特征（眼、耳……），不管其位置如何（平移不变性）。如下图所示：

• 池化是一个降采样操作，通过应用任意尺寸（步长）的窗口，在窗口中根据用户指定，提取和、最大值、平均值，以降低提取的特征映射的维度。在下面的示意图中，我们使用的是最大池化，在特征映射的2x2窗口中提取最大值。这一技术有助于在保留信息的前提下降低维度。

• 最后是传统的全连接层，对卷积习得的表示进行softmax操作，并输出预测。简单来说，全连接层包含观察到特定模式后会“点亮”的节点。

从直觉上说，卷积神经网络将图像作为输入，尝试使用一系列数学运算（卷积、池化）辨认不同的小特征（局部连接），不管其位置如何（空间不变性），以理解整个图像的内容。这些数学运算牵涉到建模图像为一系列数字，其中每个数字表示像素亮度（假设输入为灰度图像）。

实例

我们的数据集是72x72网格中的一组几何图形（三角形、圆形、矩形）。由于这些是灰度图像，因此它们只有一个频道。下面是一些样本：

我们将使用python的Keras包实现一个卷积神经网络，该网络在分类这些形状时可以达到98%精确度。

导入依赖：

import numpy as np
import keras
from keras import Sequential, optimizers
from keras.layers import Dense, Activation
from keras.callbacks import EarlyStopping
from sklearn.metrics import confusion_matrix, accuracy_score
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dropout
from keras.utils import np_utils

生成训练数据集和测试数据集：

[X_train, Y_train] = generate_dataset_classification(1000, 20, True)
[X_test, Y_test] = generate_test_set_classification()

根据keras的要求转换标签至类别矩阵，并重整训练集中图像的形状：

Y_train = keras.utils.to_categorical(Y_train, 3)
X_train = X_train.reshape(1000,72,72,1)

构建模型：

conv_model = Sequential()
conv_model.add(Conv2D(16, (5,5), activation = 'relu', input_shape = (72,72,1)))
conv_model.add(MaxPooling2D((2,2)))
conv_model.add(Conv2D(16, (5,5), activation = 'relu'))
conv_model.add(MaxPooling2D((2,2)))
conv_model.add(Conv2D(16, (5,5), activation = 'relu'))
conv_model.add(MaxPooling2D((2,2)))
conv_model.add(Flatten())
conv_model.add(Dense(3, activation = 'sigmoid'))

编译、训练模型：

conv_model.compile(optimizer = 'Adam', loss = 'categorical_crossentropy')
conv_model.fit(X_train, Y_train, validation_split = 0.3, epochs = 100, batch_size = 32)

重整测试集数据的形状，在测试集上进行预测，并评估精确度：

X_test = X_test.reshape(300,72,72,1)
predictions = conv_model.predict_classes(X_test)
print("精确度评分为 {} %".format(accuracy_score(Y_test, predictions) * 100))

结果：

精确度评分为 97.33333333333334 %

结语

卷积神经网络代表了图像识别中的重大突破。卷积神经网络在自动驾驶汽车，人脸识别系统，医学诊断等场景都有广泛应用。然而，值得注意的是，卷积神经网络仍有提升的空间，而卷积网络的适用领域也出现了一些新技术，比如胶囊网络。

原文地址：https://towardsdatascience.com/understanding-convolutional-neural-networks-221930904a8e