圖解：卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理解析

圖解：卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理解析

源自：數(shù)學(xué)中國

過去我們已經(jīng)知道被稱為緊密連接的神經(jīng)網(wǎng)絡(luò)。這些網(wǎng)絡(luò)的神經(jīng)元被分成若干組，形成連續(xù)的層。每一個(gè)這樣的神經(jīng)元都與相鄰層的每一個(gè)神經(jīng)元相連。下圖顯示了這種體系結(jié)構(gòu)的一個(gè)示例。

圖1. 密集連接的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)我們根據(jù)一組有限的人工設(shè)計(jì)的特征來解決分類問題時(shí)，這種方法很有效。例如，我們根據(jù)足球運(yùn)動員在比賽期間的統(tǒng)計(jì)數(shù)據(jù)來預(yù)測他的位置。然而，當(dāng)處理照片時(shí)，情況變得更加復(fù)雜。當(dāng)然，我們可以將每個(gè)像素的像素值作為單獨(dú)的特征，并將其作為輸入傳遞給我們的密集網(wǎng)絡(luò)。不幸的是，為了讓該網(wǎng)絡(luò)適用于一張?zhí)囟ǖ?a target="_blank">智能手機(jī)照片，我們的網(wǎng)絡(luò)必須包含數(shù)千萬甚至數(shù)億個(gè)神經(jīng)元。另一方面，我們可以縮小我們的照片，但在這個(gè)過程中，我們會丟失一些有用的信息。我們立馬意識到傳統(tǒng)的策略對我們沒有任何作用，我們需要一個(gè)新的有效的方法，以充分利用盡可能多的數(shù)據(jù)，但同時(shí)減少必要的計(jì)算和參數(shù)量。這就是CNNs發(fā)揮作用的時(shí)候了。

數(shù)字圖像的數(shù)據(jù)結(jié)構(gòu)

讓我們先花一些時(shí)間來解釋數(shù)字圖像是如何存儲的。你們大多數(shù)人可能知道它們實(shí)際上是由很多數(shù)字組成的矩陣。每一個(gè)這樣的數(shù)字對應(yīng)一個(gè)像素的亮度。在RGB模型中，彩色圖像實(shí)際上是由三個(gè)對應(yīng)于紅、綠、藍(lán)三種顏色通道的矩陣組成的。在黑白圖像中，我們只需要一個(gè)矩陣。每個(gè)矩陣都存儲0到255之間的值。這個(gè)范圍是存儲圖像信息的效率(256之內(nèi)的值正好可以用一個(gè)字節(jié)表達(dá))和人眼的敏感度(我們區(qū)分有限數(shù)量的相同顏色灰度值)之間的折衷。

圖2. 數(shù)字圖像的數(shù)據(jù)結(jié)構(gòu)

卷 積

核卷積不僅用于神經(jīng)網(wǎng)絡(luò)，而且是許多其他計(jì)算機(jī)視覺算法的關(guān)鍵一環(huán)。在這個(gè)過程中，我們采用一個(gè)形狀較小的矩陣(稱為核或濾波器)，我們輸入圖像，并根據(jù)濾波器的值變換圖像。后續(xù)的特征map值根據(jù)下式來計(jì)算，其中輸入圖像用f表示，我們的kernel用h表示，結(jié)果矩陣的行和列的索引分別用m和n表示。

圖3. 核卷積的例子

將過濾器放置在選定的像素上之后，我們從kernel中提取每個(gè)相應(yīng)位置的值，并將它們與圖像中相應(yīng)的值成對相乘。最后，我們總結(jié)了所有內(nèi)容，并將結(jié)果放在輸出特性圖的對應(yīng)位置。上面我們可以看到這樣的操作在細(xì)節(jié)上是怎么實(shí)現(xiàn)的，但是更讓人關(guān)注的是，我們通過在一個(gè)完整的圖像上執(zhí)行核卷積可以實(shí)現(xiàn)什么應(yīng)用。圖4顯示了幾種不同濾波器的卷積結(jié)果。

圖4. 通過核卷積得到邊緣[原圖像

有效卷積和相同卷積

如圖3所示，當(dāng)我們用3x3核對6x6的圖像進(jìn)行卷積時(shí)，我們得到了4x4特征圖。這是因?yàn)橹挥?6個(gè)不同的位置可以讓我們把濾波器放在這個(gè)圖片里。因?yàn)槊看尉矸e操作，圖像都會縮小，所以我們只能做有限次數(shù)的卷積，直到圖像完全消失。更重要的是，如果我們觀察卷積核如何在圖像中移動，我們會發(fā)現(xiàn)位于圖像邊緣的像素的影響要比位于圖像中心的像素小得多。這樣我們就丟失了圖片中包含的一些信息。通過下圖，您可以知道像素的位置如何改變其對特征圖的影響。

圖5. 像素位置的影響

為了解決這兩個(gè)問題，我們可以用額外的邊框填充圖像。例如，如果我們使用1px填充，我們將照片的大小增加到8x8，那么與3x3濾波器卷積的輸出將是6x6。在實(shí)踐中，我們一般用0填充額外的填充區(qū)域。這取決于我們是否使用填充，我們要根據(jù)兩種卷積來判斷-有效卷積和相同卷積。這樣命名并不是很合適，所以為了清晰起見:Valid表示我們僅使用原始圖像，Same表示我們同時(shí)也考慮原圖像的周圍邊框，這樣輸入和輸出的圖像大小是相同的。在第二種情況下，填充寬度應(yīng)該滿足以下方程，其中p為填充寬度和f是濾波器維度(一般為奇數(shù))。

步幅卷積

圖6. 步幅卷積的例子

在前面的例子中，我們總是將卷積核每次移動一個(gè)像素。但是，步幅也可以看作卷積層超參數(shù)之一。在圖6中，我們可以看到，如果我們使用更大的步幅，卷積看起來是什么樣的。在設(shè)計(jì)CNN架構(gòu)時(shí)，如果希望感知區(qū)域的重疊更少，或者希望feature map的空間維度更小，我們可以決定增加步幅。輸出矩陣的尺寸——考慮到填充寬度和步幅——可以使用以下公式計(jì)算。

過渡到三維

空間卷積是一個(gè)非常重要的概念，它不僅能讓我們處理彩色圖像，更重要的是在單層中應(yīng)用多個(gè)卷積核。第一個(gè)重要的原則是，過濾器和要應(yīng)用它的圖像必須具有相同通道數(shù)?；旧希@種方式與圖3中的示例非常相似，不過這次我們將三維空間中的值與卷積核對應(yīng)相乘。如果我們想在同一幅圖像上使用多個(gè)濾波器，我們分別對它們進(jìn)行卷積，將結(jié)果一個(gè)疊在一起，并將它們組合成一個(gè)整體。接收張量的維數(shù)(即我們的三維矩陣)滿足如下方程:n-圖像大小，f-濾波器大小，nc-圖像中通道數(shù)，p-是否使用填充，s-使用的步幅，nf-濾波器個(gè)數(shù)。

圖7. 三維卷積

卷積層

現(xiàn)在是時(shí)候運(yùn)用我們今天所學(xué)的知識來構(gòu)建我們的CNN層了。我們的方法和我們在密集連接的神經(jīng)網(wǎng)絡(luò)中使用的方法幾乎是一樣的，唯一的不同是這次我們將使用卷積而不是簡單的矩陣乘法。正向傳播包括兩個(gè)步驟。第一步是計(jì)算中間值Z,這是利用輸入數(shù)據(jù)和上一層權(quán)重W張量(包括所有濾波器)獲得的卷積的結(jié)果,然后加上偏置b。第二步是將非線性激活函數(shù)的應(yīng)用到獲得的中間值上(我們的激活函數(shù)表示為g)。對矩陣方程感興趣的讀者可以在下面找到對應(yīng)的數(shù)學(xué)公式。如果您不清楚其中的操作細(xì)節(jié)，我強(qiáng)烈推薦我的前一篇文章，在那篇文章中，我詳細(xì)討論了緊密連接的神經(jīng)網(wǎng)絡(luò)的原理。順便說一下，在下圖中你可以看到一個(gè)簡單的可視化，描述了方程中使用的張量的維數(shù)。

連接剪枝和參數(shù)共享

在文章的開頭，我提到密集連接的神經(jīng)網(wǎng)絡(luò)不擅長處理圖像，這是因?yàn)樾枰獙W(xué)習(xí)大量的參數(shù)。既然我們已經(jīng)理解了卷積是什么，讓我們現(xiàn)在考慮一下它是如何優(yōu)化計(jì)算的。在下面的圖中，以稍微不同的方式顯示了二維卷積，以數(shù)字1-9標(biāo)記的神經(jīng)元組成了輸入層，并接受圖像像素亮度值，而A - D單元表示計(jì)算出的特征map元素。最后，I-IV是需要經(jīng)過學(xué)習(xí)的卷積核的值。

圖9. 連接剪枝和參數(shù)共享

現(xiàn)在，讓我們關(guān)注卷積層的兩個(gè)非常重要的屬性。首先，你可以看到，并不是所有連續(xù)兩層的神經(jīng)元都相互連接。例如，神經(jīng)元1只影響A的值。其次，我們看到一些神經(jīng)元共享相同的權(quán)重。這兩個(gè)性質(zhì)都意味著我們需要學(xué)習(xí)的參數(shù)要少得多。順便說一下，值得注意的是，濾波器中的一個(gè)值會影響特征map中的每個(gè)元素——這在反向傳播過程中非常重要。

卷積層反向傳播

任何嘗試過從頭編寫自己的神經(jīng)網(wǎng)絡(luò)代碼的人都知道，完成正向傳播還沒有完成整個(gè)算法流程的一半。真正的樂趣在于你想要進(jìn)行反向傳播得到時(shí)候?，F(xiàn)在，我們不需要為反向傳播這個(gè)問題所困擾，我們可以利用深度學(xué)習(xí)框架來實(shí)現(xiàn)這一部分，但是我覺得了解底層是有價(jià)值的。就像在密集連接的神經(jīng)網(wǎng)絡(luò)中，我們的目標(biāo)是計(jì)算導(dǎo)數(shù)，然后用它們來更新我們的參數(shù)值，這個(gè)過程叫做梯度下降。

在我們的計(jì)算中需要用到鏈?zhǔn)椒▌t——我在前面的文章中提到過。我們想評估參數(shù)的變化對最終特征map的影響，以及之后對最終結(jié)果的影響。在我們開始討論細(xì)節(jié)之前，讓我們就對使用的數(shù)學(xué)符號進(jìn)行統(tǒng)一——為了讓過程更加簡化，我將放棄偏導(dǎo)的完整符號，而使用如下所示的更簡短的符號來表達(dá)。但記住，當(dāng)我用這個(gè)符號時(shí)，我總是指的是損失函數(shù)的偏導(dǎo)數(shù)。

圖10. 單卷積層的輸入和輸出的正向和反向傳播

我們的任務(wù)是計(jì)算dW[l]和db[l]——它們是與當(dāng)前層參數(shù)相關(guān)的導(dǎo)數(shù)，以及dA[l -1]的值——它們將被傳遞到上一層。如圖10所示，我們接收dA[l]作為輸入。當(dāng)然，張量dW和W、db和b以及dA和A的維數(shù)是相同的。第一步是通過對輸入張量的激活函數(shù)求導(dǎo)得到中間值dZ[l]。根據(jù)鏈?zhǔn)椒▌t，后面將使用這個(gè)操作得到的結(jié)果。

現(xiàn)在，我們需要處理卷積本身的反向傳播，為了實(shí)現(xiàn)這個(gè)目的，我們將使用一個(gè)矩陣運(yùn)算，稱為全卷積，如下圖所示。注意，在這個(gè)過程中，對于我們使用卷積核，之前我們將其旋轉(zhuǎn)了180度。這個(gè)操作可以用下面的公式來描述，其中濾波器用W表示，dZ[m,n]是一個(gè)標(biāo)量，屬于上一層偏導(dǎo)數(shù)。

圖11. 全卷積

池化層

除了卷積層，CNNs還經(jīng)常使用所謂的池化層。池化層主要用于減小張量的大小和加速計(jì)算。這種網(wǎng)絡(luò)層很簡單——我們需要將圖像分割成不同的區(qū)域，然后對每個(gè)部分執(zhí)行一些操作。例如，對于最大值池化層，我們從每個(gè)區(qū)域中選擇一個(gè)最大值，并將其放在輸出中相應(yīng)的位置。在卷積層的情況下，我們有兩個(gè)超參數(shù)——濾波器大小和步長。最后一個(gè)比較重要的一點(diǎn)是，如果要為多通道圖像進(jìn)行池化操作，則應(yīng)該分別對每個(gè)通道進(jìn)行池化。

圖12. 最大值池化的例子

池化層反向傳播

在本文中，我們將只討論最大值池化的反向傳播，但是我們將學(xué)習(xí)的規(guī)則只需要稍加調(diào)整就可以適用于所有類型的池化層。由于在這種類型的層中，我們沒有任何必須更新的參數(shù)，所以我們的任務(wù)只是適當(dāng)?shù)胤植继荻?。正如我們所記得的，在最大值池化的正向傳播中，我們從每個(gè)區(qū)域中選擇最大值，并將它們傳輸?shù)较乱粚?。因此，很明顯，在反向傳播過程中，梯度不應(yīng)該影響矩陣中沒有包含在正向傳播中的元素。實(shí)際上，這是通過創(chuàng)建一個(gè)掩碼來實(shí)現(xiàn)的，該掩碼可以記住第一階段中使用的值的位置，稍后我們可以使用該掩碼來傳播梯度。

圖13. 最大值池化的反向傳播

審核編輯 黃昊宇