基于PSO算法與Dropout的改進CNN算法

王金哲， 王澤儒， 王紅梅

(長春工業(yè)大學 計算機科學與工程學院， 吉林 長春 130012)

0 引 言

近年來，伴隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人工智能已經(jīng)應(yīng)用到生活的不同方面，其中自然語言處理、機器人學、人臉識別、人工神經(jīng)網(wǎng)絡(luò)、圖像理解和智能搜索等是目前人工智能領(lǐng)域的研究熱點。由于卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以很好地應(yīng)用于這些領(lǐng)域，因此，針對CNN性能的改進成為許多學者關(guān)注的焦點[1]。CNN通過局部感知與參數(shù)共享，有效降低網(wǎng)絡(luò)復雜度。該設(shè)計在針對圖像識別、變形、扭曲、傾斜等變形形式具有較高的適應(yīng)性和優(yōu)越性[2]，通過將圖像直接輸入，避免了特征提取和圖像重建等過程。因而CNN在語音識別、圖像分析和文本分類等很多問題中表現(xiàn)出色，而且在很多具體的領(lǐng)域得到了普及應(yīng)用。

CNN結(jié)構(gòu)特點如下:

1)CNN包含卷積層、池化層、全連接層這三層基本網(wǎng)絡(luò)結(jié)構(gòu)，卷積層運算后，池化層開始進行，兩者是交替進行計算的，同時將特征提取和分類過程相互結(jié)合在一起，有效地簡化了傳統(tǒng)算法中特征提取的步驟;

2)CNN使用局部連接,單個的神經(jīng)元僅僅和一小部分神經(jīng)元相連,通過權(quán)重共享機制，可以有效地減少訓練權(quán)重的數(shù)目,一定程度上防止過擬合問題;

3)多層感知器包括輸入層、隱含層和輸出層這三個重要層，多層感知器對于圖像平移、縮放、扭曲有良好的魯棒性。

改進CNN算法[3]通過使用GPU來提升運算速度，但在CPU與GPU之間數(shù)據(jù)切換和進程的調(diào)度可能會出現(xiàn)進程中斷的情況；文獻[4]對于原有CNN訓練時間較長和過擬合等問題提出基于免疫系統(tǒng)改進CNN網(wǎng)絡(luò)，但是，這種改進在數(shù)據(jù)集測試僅有81.6%識別率；文獻[5]對MLP-CNN這一經(jīng)典模型進行改進，通過使用梯度下降算法和增加神經(jīng)元特征數(shù)等來提高模型性能，但是這種改進會出現(xiàn)誤差收斂緩慢的情況；文獻[6]提出在CNN中加入波爾茲曼機制，并進行圖像分類，該方法提升了圖像分類的準確率，但是對系統(tǒng)內(nèi)存要求比較高；文獻[7]對正則化策略進行微調(diào),以偵聽卷積的濾波器和非線性激活函數(shù)，將會在一定程度上使得訓練的時間有所增加；文獻[8]在CNN中引入了雙線性插值，可以對圖像進行預(yù)測和分類，不過針對圖片集過擬合現(xiàn)象沒有提出切實可行的方案。

CNN算法一般存在以下問題[9]：

1) CNN采用梯度下降算法，在反向傳播中的調(diào)節(jié)網(wǎng)絡(luò)連接權(quán)重的過程中，誤差將會緩慢下降，網(wǎng)絡(luò)的收斂速度會受到不小的影響；

2)Sigmoid激活函數(shù)使原來在較大范圍內(nèi)變化的輸入數(shù)據(jù)映射到[0,1]內(nèi)輸出，在數(shù)據(jù)集的規(guī)模逐漸增大時，參數(shù)不易得到很好的訓練，網(wǎng)絡(luò)權(quán)重不能及時更新，從而減緩收斂的速度；

3)CNN中常采用的weight decay方法與提前停止的方式緩解過擬合問題，不過解決過擬合現(xiàn)象的能力會隨著學習層數(shù)目的增多逐漸下降。針對上述問題，為了可以讓誤差反傳方法具有可靠的的理論意義和重要的實用價值，采用PSO算法進行優(yōu)化，提高CNN收斂速度，同時基于Dropout的改進CNN算法在很大程度上能夠減少過擬合現(xiàn)象的發(fā)生。

1 相關(guān)理論

1.1 粒子群算法(PSO算法)[10]

PSO是一種比較經(jīng)典的群體優(yōu)化算法，它通過模仿鳥群行為來找尋最優(yōu)值。PSO算法中每個求解問題的解都作為多維搜尋空間的一個粒子，設(shè)定適應(yīng)值函數(shù)，根據(jù)單個粒子自身獲得的最優(yōu)解，以及整體群簇所找尋到的最優(yōu)值，通過不停地改變各粒子的位置和速度，最后通過迭代獲得最優(yōu)解。PSO算法具有搜索速度快、算法易實現(xiàn)、精度較高等特點?；綪SO公式如下：

c2·rand()·(pgj-xij) (1)

1.2卷積神經(jīng)網(wǎng)絡(luò)(CNN)

CNN一般由輸入層、卷積層、激勵層、池化層、全連接層和輸出層組成。它通過卷積運算和降采樣等方法實現(xiàn)對有用信息的提取[11]。

輸入層，將所要用到的數(shù)據(jù)或者圖像進行輸入，為方便卷積層運算，需要對輸入數(shù)據(jù)做預(yù)處理。

卷積層，卷積層的卷積核主要對輸入信息進行特征提取。

激勵層，激活函數(shù)主要對運算的結(jié)果進行平滑處理，同時激活函數(shù)可以對網(wǎng)絡(luò)稀疏化，清除冗余數(shù)據(jù)，保留數(shù)據(jù)主要特征。

池化層，整理卷積層輸出信息，減少網(wǎng)絡(luò)計算量，另外對特征進行壓縮，提取更為重要的特征，防止過擬合現(xiàn)象。

全連接層，通過特征變換，將有用信息進行整合，對提取結(jié)果進行分類和預(yù)測等處理。

輸出層，將前面運算的所得結(jié)果進行輸出處理。

2 改進著眼點

2.1 PSO算法在反向傳播的改進

2.1.1 CNN 算法前向傳播

首先CNN 進行前向傳播，包含卷積和池化操作，對于卷積層的計算：

(3)

式中：Mj----輸入特征圖集;

f()----激活函數(shù)，使用Sigmoid函數(shù);

卷積層與池化層進行交替計算，卷積層之后是池化層，對于池化層的計算為：

(4)

輸出層得到結(jié)果前，在n層的卷積神經(jīng)中，作為輸入樣本，用fn表示各層池化的激活函數(shù)，w(n)表示每個層的連接權(quán)重，這個過程的計算可以表示為：

y=fn(…(f2(f1(x·w1)w2))…)wn(5)

計算出前向傳播的結(jié)果，和已給出的養(yǎng)殖的標簽值作誤差計算，誤差函數(shù)表示為：

(6)

式中：N----CNN輸入圖像訓練樣本數(shù);

C----網(wǎng)絡(luò)輸出層神經(jīng)元數(shù);

yji----第i個樣本的第j個輸出節(jié)點的實際輸出值。

2.1.2 CNN算法的后向傳播

CNN算法的后向傳播是為了在計算期望輸出和實際輸出的誤差后，將需要運算的參數(shù)作為PSO算法的粒子，利用式(6)獲得粒子的局部最優(yōu)Pbest和全局最優(yōu)值Gbest，然后使用式(1)和式(2)來更新粒子。迭代運算后，更新后的粒子是CNN權(quán)值，再對CNN網(wǎng)絡(luò)重新進行前向傳播，直至誤差閾值收斂到最小范圍之內(nèi)，然后停止算法。

算法的實現(xiàn)過程如下：

輸入：m(粒子個數(shù))，c1(加速常數(shù))，c2(加速常數(shù))，w(慣性權(quán)重)，x(粒子的位置)，v(粒子的速度)。

輸出：cw[](優(yōu)化后的權(quán)值)。

1)對于群體內(nèi)的每一個粒子，在CNN前向傳播中使用式(5)計算，再由式(6)計算誤差。

2)如果已經(jīng)達到誤差閾值的小值，停止算法，如果沒有收斂，則執(zhí)行式(1)與式(2)對粒子進行更新：

①將更新的粒子的信息傳回CNN中，同時更新需要訓練的權(quán)值，再次進行前向傳播誤差計算；

②回到2)。

2.2 CNN算法設(shè)計

2.2.1 CNN結(jié)構(gòu)設(shè)計

構(gòu)建的9層CNN模型如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)模型設(shè)計

圖1由輸入層、5個由卷積層和池化層構(gòu)成的隱含層、全連接層、Dropout層和輸出層組成。在這個新模型中，為了改善過擬合問題，將Dropout層添加到全連接層的后面，通過概率p摒棄神經(jīng)元結(jié)點。

2.2.2 基于Dropout防止過擬合問題

為了提升網(wǎng)絡(luò)的范化能力，將會在CNN網(wǎng)絡(luò)中增加Dropout層，在網(wǎng)絡(luò)的訓練過程中，對于神經(jīng)網(wǎng)絡(luò)中任意的一個神經(jīng)元，它都是使用相同的概率p將其從網(wǎng)絡(luò)中臨時拋棄，從而減小了網(wǎng)絡(luò)的大小，其公式為：

(7)

式中:pa----樣本a生成1的概率；

Ba----第i類神經(jīng)元中屬于樣本a的數(shù)量。

文中所提出的改進CNN結(jié)構(gòu)，具體算法如下：

輸入：訓練集，測試集;

輸出：識別結(jié)果。

1)對神經(jīng)網(wǎng)絡(luò)濾波器進行訓練，同時初始化濾波器尺寸像素為P1*P2;

2)對圖片集進行訓練，將訓練集中的圖片經(jīng)過處理，轉(zhuǎn)換成尺寸大小一致的圖片，同時把圖片讀入到數(shù)據(jù)矩陣P中;

4)使用式(4)中所給的公式對第一層卷積特征矩陣P(1)進行計算;

5)通過調(diào)用PSO算法，來對權(quán)值wi進行更新，從而獲得特征矩陣P(2);

6)通過4)與5)進行第二次卷積計算，這樣會得到一個新的特征矩陣P(3);

7)將特征矩陣P(3)作為一個列向量神經(jīng)元，輸入到全連接層，而后將這個輸入乘以權(quán)重矩陣w,然后添加偏置，對其運用激活函數(shù)，從而獲得特征向量b1；

8)將全連接層得到的結(jié)果作為Dropout層的輸入，通過式(7)運算獲得神經(jīng)元在Dropout層中的輸出概率，得到特征向量b2；

9)將8)得到的特征向量b2作為輸出層的輸入，通過輸出層Softmax分類器進行分類，最后輸出識別結(jié)果。

3 實驗與分析

3.1 測試環(huán)境

為了評估所改進算法的性能，在ubuntu16.04的操作系統(tǒng)中采用Python3語言編程來實現(xiàn)文中所提出PD-CNN算法。測試平臺為6臺相同配置的電腦，配置為：AMD10CPU@2.5 GHz,GPU為AMD Radeon HD 8670M+AMD Radeon HD 8610G，8.00 GB內(nèi)存。文中使用的測試數(shù)據(jù)集包括MNIST手寫體數(shù)據(jù)集與HCL200書寫漢字數(shù)據(jù)集。實驗次數(shù)為10次。

3.2 比較算法

文中改進算法和WCNN算法、MLP-CNN算法及SVM-ELM算法進行比較。其中WCNN算法為最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)模型。為了實現(xiàn)對輸入的處理，使用了多個卷積層和池化層，并在連接層和輸出結(jié)果之間建立了映射關(guān)系，最后使用聚類算法對特征分類。算法MLP-CNN主要是增加網(wǎng)絡(luò)特征數(shù)和使用梯度下降算法進行優(yōu)化，來提高網(wǎng)絡(luò)模型的識別能力。SVM-ELM是基于支持向量機的優(yōu)化算法，可以減少隱層節(jié)點數(shù)，通過SVM優(yōu)化每個結(jié)點的線性決策函數(shù)。以上3個算法都是比較經(jīng)典的CNN改進算法，通過與以上3個CNN改進算法進行測試比較，可以有效地說明文中提出的改進算法在性能上有很大的提高。

3.3 測試結(jié)果與分析

針對MNIST訓練數(shù)據(jù)集運行10次，在不同數(shù)據(jù)規(guī)模下各算法的識別結(jié)果如圖2所示。

圖2 各算法針對MNIST數(shù)據(jù)集的識別結(jié)果

由圖2可知，PD-CNN算法對于不同的數(shù)據(jù)規(guī)模識別率高于SVM-ELM、MLP-CNN與WCNN算法。數(shù)據(jù)規(guī)模的增長，使得MLP-CNN算法對圖片的識別率影響較大，識別性能波動幅度增加。當數(shù)據(jù)集的規(guī)模小于等于3.6×104時，隨著數(shù)據(jù)規(guī)模的增大，WCNN算法與PD-CNN算法識別率呈上升趨勢，但是，當數(shù)據(jù)規(guī)模大于3.6×104時，識別率有下降趨勢，隨著數(shù)據(jù)集的增大，WCNN算法與MLP-CNN算法識別率波動大于PD-CNN算法，說明了PD-CNN算法具有較好的魯棒性。

對每個測試數(shù)據(jù)集運行10次，在最小識別率RM、最大識別率RX、平均識別率R與運行時間t進行比較算法性能結(jié)果統(tǒng)計。

算法性能統(tǒng)計結(jié)果見表1。

表1 算法性能統(tǒng)計結(jié)果

通過觀察表1可知，在數(shù)據(jù)集MNIST上，相比較于WCNN、MLP-CNN和SVM-ELM算法，PD-CNN算法在最小識別率RM、最大識別率RX與平均識別率R上最高，表明了文中改進算法的可行性以及正確性。使用PSO算法在梯度下降中訓練CNN，在識別精度與收斂速度高于常規(guī)的訓練方法，通過在模型上添加一層Dropout層，防止可能出現(xiàn)的過擬合問題，同時可以使得CNN的正確率得到較大的提升。最后在運行時間上與另外三個CNN改進算法進行比較，可以看到PD-CNN算法時間小于三種算法的時間，說明PSO算法在反向傳播中提高了收斂速度。

4 結(jié) 語

針對CNN算法的收斂速度較慢、過擬合等問題，將PSO算法中需要訓練的參數(shù)作為粒子進行優(yōu)化，將更新的參數(shù)用于CNN算法的前向傳播，調(diào)整網(wǎng)絡(luò)連接權(quán)矩陣迭代,直到誤差收斂，停止算法。同時設(shè)計新的神經(jīng)網(wǎng)絡(luò)模型，將一層Dropout層添加到輸出層與全連接層之間，用于緩解過擬合風險，在識別率上得到了不小的提升，同時具有良好的魯棒性。最后，通過與經(jīng)典改進CNN算法WCNN、MLPCNN和SVM-ELM算法在數(shù)據(jù)集MNIST與HCL200進行實驗比較，PD-CNN算法在識別率、收斂速度均高于另外三個算法，證明了改進算法的正確性。