后 CNN 探索,如何用 RNN 进行图像分类
本文分享自华为云社区《用RNN进行图像分类——CNN之后的探索》,作者: Yin-Manny。
一、 写前的思考:
当看完 RNN 的 PPT,我惊叹于 RNN 可以用于描述时间上连续状态的输出,有记忆功能,能处理时间序列的能力。
当拿到思考题,在 CNN 框架下加入 RNN 程序,这是可以实现的吗,如果可以,它的理论依据是什么,它的实现方法是什么,它的效果是怎样的。加入这个有必要吗。
我寻找了 CNN combine with RNN 的资料,看了 CLDNN 论文,我知道了:
CNN 和 RNN 直接的不同点;
CNN 进行空间扩展,神经元与特征卷积;RNN 进行时间扩展,神经元与多个时间输出计算;
RNN 可以用于描述时间上连续状态的输出,有记忆功能;CNN 则用于静态输出;
CNN 高级结构可以达到 100+深度;RNN 的深度有限。
CNN 和 RNN 组合的意义:
大量信息同时具有时间空间特性:视频,图文结合,真实的场景对话;
带有图像的对话,文本表达更具体;
视频相对图片描述的内容更完整。
但是这对思考题没有什么帮助。
于是我又从 RNN 分类图像下手,试图弄明白 RNN 能用于图像分类的原理,首先需要将图片数据转化为一个序列数据,例如 MINST 手写数字图片的大小是 28x28,那么可以将每张图片看作是长为 28 的序列,序列中的每个元素的特征维度是 28,这样就将图片变成了一个序列。同时考虑循环神经网络的记忆性,所以图片从左往右输入网络的时候,网络可以记忆住前面观察东西,然后与后面部分结合得到最后预测数字的输出结果,理论上是行得通的。但是对于图像分类,CNN 才是主流,RNN 图像分类的理论,对于 CNN 能有什么帮助呢?
甚至我们知道,循环神经网络还是不适合处理图片类型的数据:
第一个原因是图片并没有很强的序列关系,图片中的信息可以从左往右看,也可以从右往左看,甚至可以跳着随机看,不管是什么样的方式都能够完整地理解图片信息;
第二个原因是循环神经网络传递的时候,必须前面一个数据计算结束才能进行后面一个数据的计算,这对于大图片而言是很慢的,但是卷积神经网络并不需要这样,因为它能够并行,在每一层卷积中,并不需要等待第一个卷积做完才能做第二个卷积,整体是可以同时进行的。
那么我要怎么在 CNN 中加入 RNN 程序呢?
初步设想:
把 CNN 比较深层次的网络提取到的特征序列化,再喂给 RNN 进行分类,因为我认为这时候 CNN 提取到的特征比原始图像有更强的序列关系(如下图,越深层得到的特征序列关系越强,比如跳着看可能就难以进行分类了)
二、 如何将图像数据改成序列数据?如何加入 RNN 系列程序,以改进图片分类的性能?
设 image.shape 为(h,w)
则令 time_steps=h, input_size=w 即可将图像数据改成序列数据
令 X=[batch_size,h,w]
outputs, states = tf.nn.dynamic_rnn(rnn_cell, X, dtype=tf.float32)即可将 X 应用于 RNN 程序
如果是三通道图片,如 RGB,则利用图像处理知识将三通道图像转为单通道灰度图像。
例如:
效果如下:
正如初步设想所说,把 CNN 比较深层次的网络提取到的特征序列化,再喂给 RNN 进行分类,因为我认为这时候 CNN 提取到的特征比原始图像有更强的序列关系,也许能够改进图片分类的性能?
例如我们将第一层的特征图喂到 RNN 中
迭代 10 次准确率高达 98%,因此分类效果还是不错的。
三、 不同的 RNN 细胞结构、不同的 RNN 整体结构,对分类性能有什么影响?
不同的细胞结构具有不同的门结构,对长短期记忆有不同的权重
不同的 RNN 整体结构有不同的层数与架构,对长短期记忆有不同的遗忘属性
常见 RNN 细胞总结:
BasicRNNCell--一个普通的 RNN 单元。
GRUCell--一个门控递归单元细胞。
BasicLSTMCell--一个基于递归神经网络正则化的 LSTM 单元,没有窥视孔连接或单元剪裁。
LSTMCell--一个更复杂的 LSTM 单元,允许可选的窥视孔连接和单元剪切。
MultiRNNCell--一个包装器,将多个单元组合成一个多层单元。
DropoutWrapper - -一个为单元的输入和/或输出连接添加 dropout 的包装器。
常见 RNN 整体结构:
LSTM 和 GRU,其它的还有向 GridLSTM、AttentionCell 等
这些在 tf.keras.layers.***中都可以直接调用 API
因此只需修改下面一行代码的 API 即可实现不同的 RNN 细胞结构、不同的 RNN 整体结构对分类性能的影响的实验。
由于时间问题我没有运行完代码,直接附上相关资料的实验结果:
一般来说,多层结构的复杂度更高,分类性能会更好,但是产生的时间成本也会更多。
四、 nn.dynamic_rnn 输出的 final_state.h 和 output[:,-1,:]是否是相同的?
RNN 是这样一个单元:y_t, s_t = f(x_t, s_{t-1}) ,画成图的话,就是这样:
考虑 Vanilla RNN/GRU Cell(vanilla RNN 就是最普通的 RNN,对应于 TensorFlow 里的 BasicRNNCell),工作过程如下:
这时,s_t = y_t = h_t
对于 LSTM,它的循环部件其实有两部分,一个是内部 cell 的值,另一个是根据 cell 和 output gate 计算出的 hidden state,输出层只利用 hidden state 的信息,而不直接利用 cell。这样一来,LSTM 的工作过程就是:
其中真正用于循环的状态 s_t 其实是 (c_t, h_t) 组成的 tuple(就是 TensorFlow 里的 LSTMStateTuple),而输出 y_t 仅仅是 h_t(例如网络后面再接一个全连接层然后用 softmax 做分类,这个全连接层的输入仅仅是 h_t,而没有 c_t),这时就可以看到区分 RNN 的输出和状态的意义了。
如果是一个多层的 Vanilla RNN/GRU Cell,那么一种简单的抽象办法就是,把多层 Cell 当成一个整体,当成一层大的 Cell,然后原先各层之间的关系都当成这个大的 Cell 的内部计算过程/数据流动过程,这样对外而言,多层的 RNN 和单层的 RNN 接口就是一模一样的:在外部看来,多层 RNN 只是一个内部计算更复杂的单层 RNN。图示如下:
大方框表示把多层 RNN 整体视为一层大的 Cell,而里面的小方框则对应于原先的每一层 RNN。这时,如果把大方框视为一个整体,那么这个整体进行循环所需要的状态就是各层的状态组成的集合,或者说把各层的状态放在一起组成一个 tuple:st=(st(l),st(2),…, st(l))而这个大的 RNN 单元的输出则只有原先的最上层 RNN 的输出,即整体的 yt= yt(l)=ht(l)。
最后对于多层 LSTM:
和之前的例子类似,把多层 LSTM 看成一个整体,这个整体的输出就是最上层 LSTM 的输出:yt=ht(l);而这个整体进行循环所依赖的状态则是每一层状态组合成的 tuple,而每一层状态本身又是一个 (c, h) tuple,所以最后结果就是一个 tuple 的 tuple
这样一来,便可以回答问题:final_state.h 和 output[:,-1,:]是否是相同的
output 是 RNN Cell 的 output 组成的列表,假设一共有 T 个时间步,那么 outputs = [y_1, y_2, ..., y_T],因此 outputs[:,-1,:] = y_T;而 final_state.h 则是最后一步的隐层状态的输出,即 h_T。
那么,到底 output[:,-1,:]等不等于 final_state.h 呢?或者说 y_T 等不等于 h_T 呢?看一下上面四个图就可以知道,当且仅当使用单层 Vanilla RNN/GRU 的时候,他们才相等。
代码运行结果具体见附件代码第三问。
版权声明: 本文为 InfoQ 作者【华为云开发者联盟】的原创文章。
原文链接:【http://xie.infoq.cn/article/80ddc7b480e41beaba0299c6a】。文章转载请联系作者。
评论