基于keras的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究

楊夢卓 郭夢潔 方亮

摘 要：當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別已成為研究的熱點之一。相比于Tensorflow，Keras使用最少的程序代碼、花費最少的時間就可以建立深度學(xué)習(xí)模型，進(jìn)行訓(xùn)練、評估準(zhǔn)確率，并進(jìn)行預(yù)測。在Python的環(huán)境下輸入CIFAR-10數(shù)據(jù)集，對圖片進(jìn)行歸一化、數(shù)據(jù)增強等預(yù)處理后，利用Keras構(gòu)造改進(jìn)的VGG16卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對CIFAR-10圖像數(shù)據(jù)集進(jìn)行建模和預(yù)測，最后通過比較不同的Batch Size來比較不同模型的準(zhǔn)確率和損失，實驗結(jié)果表明當(dāng)Batch Size為128，CIFAR-10數(shù)據(jù)集識別正確率達(dá)到89%，明顯高于其他方法。

關(guān)鍵詞：VGG16;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);Keras;圖像識別

中圖分類號：TP751 ?文獻(xiàn)標(biāo)識碼：A

1 keras簡介

Keras是一個開放源碼的高級深度學(xué)習(xí)程序庫，它的設(shè)計參考了Torch，用Python語言編寫，支持GPU和CPU，是一個高度模塊化的神經(jīng)網(wǎng)絡(luò)庫。目前 Keras 提供了兩種后端引擎：Theano與TensorFlow，在二者之上，Keras提供了可以讓用戶更專注于模型設(shè)計并更快進(jìn)行模型實驗的API。這些API以模塊的形式封裝了來自Tensorflow和Theano的諸多小的組件，所以使用這兩者能夠搭建的網(wǎng)絡(luò)也可以通過Keras進(jìn)行搭建，并且基本上沒有性能損失。使用Keras框架最大的好處是在搭建新的網(wǎng)絡(luò)結(jié)構(gòu)時能夠能夠節(jié)約更多的時間。

2 相關(guān)算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN或ConvNet）屬于前饋神經(jīng)網(wǎng)絡(luò)，一般是通過卷積層、匯聚層和全連接層交叉堆疊而成，基于反向傳播算法進(jìn)行訓(xùn)練，最早主要用來處理圖像信息。當(dāng)使用全連接前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像時，會產(chǎn)生參數(shù)太多、很難提取局部不變特征的問題。而卷積神經(jīng)網(wǎng)絡(luò)有局部連接，權(quán)重共享和等變表示三個結(jié)構(gòu)上的特點。因此這些特性使得卷積神經(jīng)網(wǎng)絡(luò)具有一定程度上的平移、縮放和旋轉(zhuǎn)不變性。

2.2 VGGNet卷積網(wǎng)絡(luò)模型

VGGNet模型對卷積神經(jīng)網(wǎng)絡(luò)的深度與其性能之間的關(guān)系進(jìn)行了探索，網(wǎng)絡(luò)的結(jié)構(gòu)非常簡潔，它的整個網(wǎng)絡(luò)中全部使用了大小相同的卷積核（3×3）和最大池化核（2×2）。通過重復(fù)堆疊的方式，使用這些卷積層和最大池化層成功的搭建了11～19層深的卷積神經(jīng)網(wǎng)絡(luò)。根據(jù)網(wǎng)絡(luò)深度的不同以及是否使用LRN，VGGNet可以分為A～E6個級別。如表1所示為VGGNet各級別的網(wǎng)絡(luò)結(jié)構(gòu)表。

由表1可以看出，VGGNet擁有5段卷積，每一段卷積內(nèi)都有一定數(shù)量的卷積層（或一個或四個），所以是5階段卷積特征提取。每一段卷積之后都有一個max-pool層，這些最大池化層被用來縮小圖片的尺寸。并且同一段內(nèi)的卷積層擁有相同的卷積核數(shù)，之后每增加一段，該段內(nèi)卷積層的卷積核就增長一倍。

3 卷積神經(jīng)網(wǎng)在CIFAR-10數(shù)據(jù)集上的應(yīng)用

3.1 CIFAR-10數(shù)據(jù)集

CIFAR-10是一個圖像數(shù)據(jù)集，是用于普通物體識別的小型數(shù)據(jù)集，最初是由Alex及其團(tuán)隊收集而來。CIFAR-10中有60000張彩色圖片，每張圖片的大小是 32x32，60000張圖片中有50000 張用于訓(xùn)練，10000張圖片用于測試，分別有五個訓(xùn)練塊、一個測試塊。圖片的內(nèi)容標(biāo)簽分為10類，每張圖片的標(biāo)簽唯一，每一類圖片的個數(shù)都是6000張。

3.2 改進(jìn)的VGG16模型的結(jié)構(gòu)設(shè)計

本文采用的模型是在VGG16模型基礎(chǔ)上做的改進(jìn)，使用固定尺寸的小卷積核（3×3），兩層卷積層搭配一層池化層，使用 VGG16 的前三個卷積池化結(jié)構(gòu)：以2的冪次遞增卷積核數(shù)量（64，128，256），全連接層沒有采用VGG16龐大的三層結(jié)構(gòu)，避免運算量過大，卷積層輸出直接上10分類的 Softmax Classifier，權(quán)重初始化采用He Normal，而沒有采用Xavier，并且加入Drop層，防止模型過度擬合。

3.3 模型訓(xùn)練過程

3.3.1 圖像預(yù)處理

圖像預(yù)處理階段分三步進(jìn)行，第 1階段合并全部 50000 張訓(xùn)練圖片及其標(biāo)簽將像素灰度值歸一化;第 2 階段對數(shù)據(jù)集進(jìn)行圖像增強;第3階段將標(biāo)簽進(jìn)行 One-Hot 編碼，以達(dá)到使用 Softmax 進(jìn)行預(yù)測的目的;第四階段導(dǎo)出預(yù)處理后的訓(xùn)練數(shù)據(jù)。

3.3.2 利用Keras建立模型

導(dǎo)入Keras的相關(guān)模塊，基于Keras構(gòu)造上述模型，summary（）查看的模型的完整結(jié)構(gòu)如圖1所示。

第一段卷積網(wǎng)絡(luò)是由2個卷積層和1個最大池化層構(gòu)成。這兩個卷積層的卷積核的大小都是3×3，同時卷積核數(shù)量也均為64，步長為1×1。第一個卷積層的輸入input的尺寸為32×32×3，輸出尺寸為32×32×64;而第二個卷積層的輸入、輸出尺寸均為32×32×64（接收來自第一個卷積層的輸出）。兩個卷積層之后是一個2×2的最大池化層，由于步長是2，所以經(jīng)過最大池化之后，輸出結(jié)果尺寸變成了16×16×64。

第二段和第三段卷積網(wǎng)絡(luò)和第一段的結(jié)構(gòu)非常類似，兩個卷積層的卷積核尺寸也是3×3，只是經(jīng)由這兩個卷積層之后輸出的通道數(shù)變了，所以第二段和第三段卷積網(wǎng)絡(luò)的輸出尺寸分別為8×8×128和4×4×256，然后將結(jié)果輸入到Flatten層。Flatten層用來將輸入“壓平”，即把多維的輸入一維化，本文采用Dropout的正則化方法，防止模型過擬合，提升模型的泛化能力，之后直接進(jìn)入10 分類的 Softmax Classifier。

3.3.3 實驗結(jié)果分析

實驗環(huán)境為 Windows10系統(tǒng)，采用編程語言為 Python，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)框架采用Keras框架，將上文提出的VGG16神經(jīng)網(wǎng)絡(luò)對CIFAR-10預(yù)處理后的圖片進(jìn)行特征提取與訓(xùn)練，Batch Size = 64，經(jīng)過106步的迭代，將訓(xùn)練好的模型對CIFAR-10訓(xùn)練集進(jìn)行測試，所能達(dá)到的最高準(zhǔn)確率是第98步，為97.89%。模型在測試集上所能達(dá)到的最高準(zhǔn)確度為90%，這一準(zhǔn)確度在第85代訓(xùn)練達(dá)到。如圖2所示。

在CIFAR-10上的模型訓(xùn)練過程準(zhǔn)確率和損失率變化在 Tensorboard 可視化后，得到準(zhǔn)確率和損失率變化曲線，如圖3所示。

根據(jù)上面的損失率變化曲線，可以觀察到模型在第40代訓(xùn)練之后損失不斷上升，這說明模型已經(jīng)進(jìn)入過擬合狀態(tài)，不應(yīng)再繼續(xù)訓(xùn)練。結(jié)合上面的分析，Batch Size為64的模型實際收斂準(zhǔn)確度應(yīng)該是 88%-89%。把Batch Size改為128，Tensorboard可視化的準(zhǔn)確率和損失率變化曲線如圖4所示。

根據(jù)上面的準(zhǔn)確率變化曲線，我們可以看到模型在測試集上所能達(dá)到的最高準(zhǔn)確度為90.22%，這一準(zhǔn)確度在第104代訓(xùn)練達(dá)到。但是根據(jù)上面的損失率變化曲線，可以觀察到模型在第60代訓(xùn)練之后損失不斷上升，這說明模型已經(jīng)進(jìn)入過擬合狀態(tài)，不應(yīng)再繼續(xù)訓(xùn)練。結(jié)合上面的分析，Batch Size為128的模型實際收斂準(zhǔn)確度應(yīng)該是 89%。

3.3.4 對比不同 Batch Size下的模型訓(xùn)練過程

使用相同的模型和不同的batch size，對模型嘗試了四種不同的 Batch Size = 64 / 128 / 256 / 512，并通過Tensorboard將這四個模型的訓(xùn)練準(zhǔn)確度和Loss曲線繪制在一張圖上。將模型訓(xùn)練過程用Tensorboard記錄繪制如圖5所示，橫軸是訓(xùn)練代數(shù)，半透明的折線是原始數(shù)據(jù)，實線是經(jīng)過平滑后的數(shù)據(jù)，能夠更清晰的看到每個模型在同一個訓(xùn)練指標(biāo)上的變化趨勢以及不同模型在訓(xùn)練過程中的性能差異。

不同的Batch Size和不同的迭代次數(shù)下的損失率、準(zhǔn)確率的差異見表2。通過對比試驗，可以得到以下幾條關(guān)于 Batch Size 對訓(xùn)練模型影響的結(jié)論：Batch Size越大，每代訓(xùn)練的訓(xùn)練時間越短，但縮短到一定程度就不再下降;Batch Size越大，模型收斂的越慢，直至不能收斂;Batch Size 越大，過擬合會越晚體現(xiàn)出來。

4 結(jié)語

本文介紹了一種圖像識別方法，利用改進(jìn)的VGG16神經(jīng)網(wǎng)絡(luò)模型，在CIFAR-10數(shù)據(jù)集訓(xùn)練并測試，使用TensorBoard對比不同Batch Size下的模型訓(xùn)練過程，實驗得出CIFAR-10數(shù)據(jù)集識別正確率達(dá)到89%。文中提出的方法雖未達(dá)到前人在CIFAR-10數(shù)據(jù)集上的最高準(zhǔn)確率，但為解決圖像識別問題提供了不錯的思路。

參考文獻(xiàn)：

[1]范望，韓俊剛，茍凡，等.卷積神經(jīng)網(wǎng)絡(luò)識別漢字驗證碼[J].計算機(jī)工程與應(yīng)用，2018，（3）：160-165.

[2]鄒鑫.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D].西北師范大學(xué)，2018.

作者簡介：楊夢卓（1995-），女，安徽六安人，碩士，研究方向：深度學(xué)習(xí);郭夢潔（1996-），女，安徽安慶人，碩士，研究方向：深度學(xué)習(xí);方亮（1994-），男，安徽銅陵人，碩士，研究方向：深度學(xué)習(xí)。