【連載】深度學(xué)習(xí)筆記14：CNN經(jīng)典論文研讀之Le-Net5及其Tensorflow實現(xiàn)

在前幾次筆記中，筆者基本上將卷積神經(jīng)網(wǎng)絡(luò)的基本原理給講完了。從本次筆記開始，筆者在深度學(xué)習(xí)筆記中會不定期的對 CNN 發(fā)展過程中的經(jīng)典論文進行研讀并推送研讀筆記。今天筆者就和大家一起學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)發(fā)展歷史上具有奠基性的經(jīng)典論文之一的關(guān)于 LeNet-5 網(wǎng)絡(luò)一文。LeNet-5 是由具有卷積神經(jīng)網(wǎng)絡(luò)之父之美譽的 Yann LeCun 在1998年發(fā)表在 IEEE 上面的一篇 Gradient-based learning applied to document recognition 上提出來的，所以直接由 LeCun 大佬名字命名了。
論文原文：
http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf

LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)

該篇論文有 42 頁，但關(guān)于 LeNet-5 網(wǎng)絡(luò)的核心部分并沒有那么多，我們直接定位第二章的B 小節(jié)進行閱讀。LeNet-5 的網(wǎng)絡(luò)結(jié)構(gòu)如下：

LeNet-5 共有 7 層，輸入層不計入層數(shù)，每層都有一定的訓(xùn)練參數(shù)，其中三個卷積層的訓(xùn)練參數(shù)較多，每層都有多個濾波器，也叫特征圖，每個濾波器都對上一層的輸出提取不同的像素特征。所以 LeNet-5 的簡略結(jié)構(gòu)如下：

輸入-卷積-池化-卷積-池化-卷積（全連接）-全連接-全連接（輸出）

各層的結(jié)構(gòu)和參數(shù)如下：
C1層是個卷積層，其輸入輸出結(jié)構(gòu)如下：
輸入： 32 x 32 x 1 濾波器大小： 5 x 5 x 1 濾波器個數(shù)：6
輸出： 28 x 28 x 6
參數(shù)個數(shù)： 5 x 5 x 1 x 6 + 6 = 156

P2層是個池化層，其輸入輸出結(jié)構(gòu)如下：
輸入： 28 x 28 x 6 濾波器大?。?2 x 2 濾波器個數(shù)：6
輸出： 14 x 14 x 6
參數(shù)個數(shù)：2 x 6 = 12
在原文中，P1池化層采用的是平均池化，鑒于現(xiàn)在普遍都使用最大池化，所以在后面的代碼實現(xiàn)中我們統(tǒng)一采用最大池化。

C3層是個卷積層，其輸入輸出結(jié)構(gòu)如下：
輸入： 14 x 14 x 6 濾波器大小： 5 x 5 x 6 濾波器個數(shù)：16
輸出： 10 x 10 x 16
參數(shù)個數(shù)： 5 x 5 x 6 x 16 + 16 = 2416

P2 池化之后的特征圖組合計算得到C3的濾波器個數(shù)。

P4層是個池化層，其輸入輸出結(jié)構(gòu)如下：
輸入： 10 x 10 x 16 濾波器大小： 2 x 2 濾波器個數(shù)：16
輸出： 5 x 5 x 16
參數(shù)個數(shù)： 2 x 16 = 32

C5層在論文中是個卷積層，但濾波器大小為 5 x 5，所以其本質(zhì)上也是個全連接層。如果將5 x 5 x 16 拉成一個向量，它就是一個全連接層。其輸入輸出結(jié)構(gòu)如下：
輸入： 5 x 5 x 16 濾波器大?。?5 x 5 x 16 濾波器個數(shù)：120
輸出： 1 x 1 x 120
參數(shù)個數(shù)： 5 x 5 x 16 x 120 + 120 = 48120

F6層是個全連接層，全連接的激活函數(shù)采用的是 tanh 函數(shù)，其輸入輸出結(jié)構(gòu)如下：
輸入：120
輸出：84
參數(shù)個數(shù)：120 x 84 + 84 = 10164

F7層即輸出層，也是個全連接層，其輸入輸出結(jié)構(gòu)如下：
輸入：84
輸出：10
參數(shù)個數(shù)： 84 x 10 + 10 = 850

LeNet-5 的 Tensorflow 實現(xiàn)

我們前面關(guān)于如何使用 Tensorflow 搭建卷積神經(jīng)網(wǎng)絡(luò)的過程可以定下實現(xiàn) LeNet-5 的基本思路。如果在 python 中寫的時候我們需要定義創(chuàng)建輸入輸出的占位符變量模塊、初始化各層參數(shù)模塊、創(chuàng)建前向傳播模塊、定義模型優(yōu)化迭代模型，以及在最后設(shè)置輸入數(shù)據(jù)。

下面筆者用以上思路編寫一個 LeNet-5 的簡單實現(xiàn)代碼。
導(dǎo)入相關(guān)庫和創(chuàng)建輸入輸出的占位符變量：

importtensorflowastf
importnumpyasnp
fromtensorflow.examples.tutorials.mnistimportinput_data
defcreate_placeholder():
X=tf.placeholder(tf.float32,shape=(None,28*28))
Y=tf.placeholder(tf.float32,shape=(None,10))
keep_prob=tf.placeholder(tf.float32)
returnX,Y,keep_prob

初始化各層參數(shù)：

definitialize_parameters():
W1=tf.get_variable('W1',[5,5,1,6],initializer=tf.contrib.layers.xavier_initializer())
b1=tf.get_variable('b1',[6],initializer=tf.zeros_initializer())

W2=tf.get_variable('W2',[5,5,6,16],initializer=tf.contrib.layers.xavier_initializer())
b2=tf.get_variable('b2',[16],initializer=tf.zeros_initializer())

W3=tf.get_variable('W3',[5,5,16,120],initializer=tf.contrib.layers.xavier_initializer())
b3=tf.get_variable('b3',[120],initializer=tf.zeros_initializer())

W4=tf.get_variable('W4',[120,84],initializer=tf.contrib.layers.xavier_initializer())
b4=tf.get_variable('b4',[84],initializer=tf.zeros_initializer())

W5=tf.get_variable('W5',[84,10],initializer=tf.contrib.layers.xavier_initializer())
b5=tf.get_variable('b5',[10],initializer=tf.zeros_initializer())

para={'W1':W1,
'b1':b1,
'W2':W2,
'b2':b2,
'W3':W3,
'b3':b3,
'W4':W4,
'b4':b4,
'W5':W5,
'b5':b5}
returnpara

創(chuàng)建 LeNet-5 的前向計算：

defforward_propagation(X,para,dropout):

X=tf.reshape(X,[-1,28,28,1])
X=tf.pad(X,[[0,0],[2,2],[2,2],[0,0]])

c1=tf.nn.conv2d(X,para['W1'],strides=[1,1,1,1],padding='VALID')+para['b1']
p2=tf.nn.max_pool(c1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='VALID')
c3=tf.nn.conv2d(p2,para['W2'],strides=[1,1,1,1],padding='VALID')+para['b2']
p4=tf.nn.max_pool(c3,ksize=[1,2,2,1],strides=[1,2,2,1],padding='VALID')
c5=tf.nn.conv2d(p4,para['W3'],strides=[1,1,1,1],padding='VALID')+para['b3']
c5=tf.contrib.layers.flatten(c5)
f6=tf.nn.tanh(tf.add(tf.matmul(c5,para['W4']),para['b4']))
f7=tf.nn.tanh(tf.add(tf.matmul(f6,para['W5']),para['b5']))
f7=tf.nn.dropout(f7,dropout)
returnf7

創(chuàng)建模型優(yōu)化計算函數(shù)：

最后傳入 mnist 數(shù)據(jù)和相關(guān)超參數(shù)：

本文來自《自興人工智能》項目部：凱文