図でまとめるCNN
こちらはゼロから作るDeep learningを丸コピしたものです。
自分用、見直す用にまとめました。営利目的ではありません。
Overview
畳み込み層
パディング
:入力データの周囲に固定のデータ(0)を埋めること
出力サイズを調整するため
ストライド
:フィルターを適用する位置の感覚
入力サイズを (H, W )、フィルターサイズを (F H, F W )、出力サイズを (OH, OW )、パディングを P 、ストライドを S とする。
3次元データの畳み込み
ブロックで考える
バイアス
バッチ処理
プーリング層
:プーリングは、縦・横方向の空間を小さくする演算
「Max プーリング」とは最大値を取る演算
プーリングの特徴
:学習するパラメータを持たない
:チャンネル数は変化しない
:微小な位置変化に対してロバスト(頑健)
4次元配列:レイヤは4次元(n data, channel, height, width)
x = np.random.rand(10, 1, 28, 28)
x[0].shape # (1, 28, 28)
x[1].shape # (1, 28, 28)
im2colによる展開
:フィルター(重み)にとって都合の良いように入力データを展開する関数
3次元を2次元にする
im2col によって入力データを展開してしまえば、その後にやることは、畳み込 み層のフィルター(重み)を 1 列に展開して、2 つの行列の積を計算するだけ
これが畳み込み層の流れです
Convolutionレイヤの実装
import sys, os
sys.path.append(os.pardir)
from common.util import im2col
x1 = np.random.rand(1, 3, 7, 7)
col1 = im2col(x1, 5, 5, stride=1, pad=0)
print(col1.shape) # (9, 75)
x2 = np.random.rand(10, 3, 7, 7) # 10 個のデータ col2 = im2col(x2, 5, 5, stride=1, pad=0) print(col2.shape) # (90, 75)
class Convolution:
def __init__(self, W, b, stride=1, pad=0):
self.W = W
self.b = b
self.stride = stride
self.pad = pad
def forward(self, x):
FN, C, FH, FW = self.W.shape
N, C, H, W = x.shape
out_h = int(1 + (H + 2*self.pad - FH) / self.stride)
out_w = int(1 + (W + 2*self.pad - FW) / self.stride)
col = im2col(x, FH, FW, self.stride, self.pad) col_W = self.W.reshape(FN, -1).T # フィルターの展開 out = np.dot(col, col_W) + self.b
out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)
return out
Pooling
class Pooling:
def __init__(self, pool_h, pool_w, stride=1, pad=0):
self.pool_h = pool_h
self.pool_w = pool_w
self.stride = stride
self.pad = pad
def forward(self, x):
N, C, H, W = x.shape
out_h = int(1 + (H - self.pool_h) / self.stride)
out_w = int(1 + (W - self.pool_w) / self.stride)
# 展開 (1)
col = im2col(x, self.pool_h, self.pool_w, self.stride, self.pad)
col = col.reshape(-1, self.pool_h*self.pool_w)
# 最大値 (2)
out = np.max(col, axis=1)
# 整形 (3)
out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2)
return out
Pooling レイヤの実装は、図7-22 に示すように、次の 3 段階の流れで行います。
1. 入力データを展開する
2. 行ごとに最大値を求める
3. 適切な出力サイズに整形する
SimpleCNNの実装
class SimpleConvNet:
# initialization of convolusion layer
def __init__(self, input_dim=(1, 28, 28),
conv_param={'filter_num':30, 'filter_size':5,
'pad':0, 'stride':1},
hidden_size=100, output_size=10, weight_init_std=0.01):
filter_num = conv_param['filter_num']
filter_size = conv_param['filter_size']
filter_pad = conv_param['pad']
filter_stride = conv_param['stride']
input_size = input_dim[1]
conv_output_size = (input_size - filter_size + 2*filter_pad) / \
filter_stride + 1
pool_output_size = int(filter_num * (conv_output_size/2) *
(conv_output_size/2))
# 重みの初期化
self.params = {}
self.params['W1'] = weight_init_std * \
np.random.randn(filter_num, input_dim[0],
filter_size, filter_size)
self.params['b1'] = np.zeros(filter_num)
self.params['W2'] = weight_init_std * \
np.random.randn(pool_output_size,
hidden_size)
self.params['b2'] = np.zeros(hidden_size)
self.params['W3'] = weight_init_std * \
np.random.randn(hidden_size, output_size)
self.params['b3'] = np.zeros(output_size)
self.layers = OrderedDict()
self.layers['Conv1'] = Convolution(self.params['W1'],
self.params['b1'],
conv_param['stride'],
conv_param['pad'])
self.layers['Relu1'] = Relu()
self.layers['Pool1'] = Pooling(pool_h=2, pool_w=2, stride=2)
self.layers['Affine1'] = Affine(self.params['W2'],
self.params['b2'])
self.layers['Relu2'] = Relu()
self.layers['Affine2'] = Affine(self.params['W3'],
self.last_layer = SoftmaxWithLoss()
# predict
def predict(self, x):
for layer in self.layers.values():
x = layer.forward(x)
return x
# loss
def loss(self, x, t):
y = self.predict(x)
return self.lastLayer.forward(y, t)
# back propagation
def gradient(self, x, t):
# forward
self.loss(x, t)
# backward
dout = 1
dout = self.lastLayer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 設定
grads = {}
grads['W1'] = self.layers['Conv1'].dW
grads['b1'] = self.layers['Conv1'].db
grads['W2'] = self.layers['Affine1'].dW
grads['b2'] = self.layers['Affine1'].db
grads['W3'] = self.layers['Affine2'].dW
grads['b3'] = self.layers['Affine2'].db
return grads
1層目の重みの可視化
階層構造による情報抽出
代表的なCNN
- LeNet
- AlexNet
different from LesNet
● 活性化関数に ReLU を用いる
● LRN(Local Response Normalization)という局所的正規化を行う層を用
いる
● Dropout(「6.4.3 Dropout」参照)を使用する
- VGG
VGG は、畳み込み層とプーリング層から構成される“基本的”な CNN
重みのある層(畳み込み層や全結合層)を全部で 16 層
(もしくは 19 層)まで重ねてディープにしている点が特徴
3 × 3 の小さなフィルターによる畳み込み層を連 続して行っている
畳み込み層を 2 回から 4 回連続し、プー リング層でサイズを半分にするという処理を繰り返し行います。そして、最後に全結 合層を経由して結果を出力
- ResNet
スキップ構造を導入することで、層を深くすることに比例し て、性能を向上
転移学習
学習済みの 重み(の一部)を別のニューラルネットワークにコピーして、再学習を行いま す。たとえば、VGG と同じ構成のネットワークを用意し、学習済みの重みを 初期値とし、新しいデータセットを対象に、再学習(fine tuning)を行います。 転移学習は、手元にあるデータセットが少ない場合において、特に有効な手法 です。
まとめ
● CNN は、これまでの全結合層のネットワークに対して、畳み込み層と プーリング層が新たに加わる。
● 畳み込み層とプーリング層は、im2col(画像を行列に展開する関数)を用 いるとシンプルで効率の良い実装ができる。
● CNN の可視化によって、層が深くなるにつれて高度な情報が抽出されて いく様子が分かる。
● CNN の代表的なネットワークには、LeNet と AlexNet がある。
● ディープラーニングの発展に、ビッグデータと GPU が大きく貢献して
いる。
この記事が気に入ったらサポートをしてみませんか?