利用Deeplearning4j进行 图像识别

目录

图像识别简介

神经网络

感知器

前馈神经网络

自动编码器

受限玻尔兹曼机

深度卷积网络

---

理解图像内容以及图像含义方面，计算机遇到了很大困难。本章先介绍计算机理解图像教育方面 遇到的难题，接着重点讲解一个基于深度学习的解决方法。我们会学习配置深度学习模型的高层 次理论，并且讨论如何使用一个Java库——Deeplearning4j实现对图像进行分类的模型。
本章涵盖如下内容：
 图像识别简介

 讨论深度学习基础

 创建一个图像识别模型

图像识别简介

图像识别的典型目标是从一幅数字图像中检测并识别一个对象。图像识别可以应用于工厂自 动化系统，以监督产品质量；也可以应用于监控系统，以识别潜在的危险行为，比如行人或移动 的车辆；还可以应用到=于安保系统，以通过指纹、虹膜、面部特征进行生物特征识别；以及应 用于汽车自动驾驶技术，以重建路面与环境条件等。

数字图像不以带有属性描述的结构化方式呈现，相反，它们会被编码为不同通道中的颜色数 量，比如黑白与红绿蓝通道。学习的目标是识别与特定对象相关联的模式。传统的图像识别 方法是，将一幅图像转换为不同形式，比如识别对象的角点、边缘、同色斑点与基本形状。然后 使用这些模式训练学习器，使之能够区分不同对象。下面列出了一些有名的传统图像识别算法。

 边缘检测：查找一幅图像中对象的边界。

 角点检测：识别两条边的交叉点或者其他感兴趣的点，比如行尾结束符号、曲率极大值/ 极小值等。

 斑点检测：识别与周边区域有不同特征的区域，比如亮度、颜色。

 岭检测：使用平滑函数识别图像中的兴趣点。

 尺度不变特征变换（SIFT）：这个算法十分强大，即使目标对象大小或方向与比对数据库 中的典型样本不同，它依然能够匹配目标对象。

 霍夫变换（Hough transform）：识别图像中的特定模式。

目前，图像识别使用的最新方法是深度学习技术。深度学习是神经网络的一种，它模仿了大 脑处理信息的方法。深度学习的主要优点是，我们可以设计神经网络自动提取相关模式，这些模 式反过来用于训练学习器。随着神经网络技术最新取得进展，图像识别精度得到了明显提升。比 如，ImageNet挑战赛（ImageNet，2016）中，主办方提供了120万张图像，这些图像分别来自1000 个不同分类，最佳算法的错误率由28%（2010年，利用SVM）降低到7%（2014年，利用深度神 经网络）。
本章将简单了解神经网络，从最基本的构建块——感知器开始，逐渐引入更复杂的结构。

神经网络

神经网络最早出现在20世纪60年代，其灵感来自生物神经网络的研究。神经网络最新研究成 果表明，深度神经网络非常适合用于模式识别任务，因为它们能够自动提取有趣特征，并且学习 底层表示。这部分内容中，我们将学习从单个感知器到深度网络的基本结构与组件。

感知器

感知器是神经网络最基本的构建单元，也是最早的监督算法之一。它定义为，用权值对输入 进行加权并加上偏置。求和函数称为“和传递函数”（sum transfer function），它被送到一个激 活函数（activation function）。如果激活函数到达阈值，输出为1，否则为0。这就为我们提供了 一个二元分类器。感知器神经元模型如图

训练感知器使用的学习算法相当简单：先在计算输出值与正确的训练输出值之间计算误差， 然后根据误差调整权重，从而实现某种形式的梯度下降算法。这个算法通常称为delta规则。

单层感知器不是很先进，非线性可分函数（比如XOR）不能用它建模。为了解决这个问题， 人们引入了多个感知器结构，称为多层感知器，也叫前馈神经网络。

前馈神经网络

前馈神经网络是由多个感知器组成的人工神经网络，这些感知器按层组织，可分为：输入层、 输出层、一个或多个隐藏层，如图所示。每层感知器（也叫神经元）与下层感知器直接相连， 两个神经元之间的连接带有一个权重，类似于感知器权重。图8-2显示的是一个带有四元输入层 的网络（对应于长度为4的特征向量）、四元隐藏层，以及二元输出层，每元对应于一个类值。

训练多层网络最流行的方法是反向传播算法。这种算法中，采用与delta规则一样的方式，将 计算得到的输出值与实际输出值进行比较。然后借助各种技术，通过网络反馈误差，调整每个连 接的权重，以便减小误差值。这个过程不断重复，达到足够多的训练周期，直到错误少于某个特 定阈值。

前馈神经网络可以拥有一个以上的隐藏层，每一个新增隐藏层在先前层之上创建一个新的抽 象。这样做通常可以让模型变得更精确，但增加隐藏层数目会导致如下两个问题。

 消失的梯度问题：随着隐藏层的增多，将信息传递到先前层时，反向传播训练方法变得 越来越无用，这会导致先前层训练很慢。

 过拟合：模型对训练数据拟合过度，对于真实样本表现糟糕。
接下来，了解用来处理这些问题的其他网络结构。

自动编码器

自动编码器（Autoencoder）是一种前馈神经网络，其目标是学习如何压缩原数据集。我们不 是将特征映射到输入层以及将标签映射到输出层，而是将特征同时映射到输入与输出层。隐藏层 的元数与输入层的元数通常是不同的，这会强制网络要么扩展，要么减少原特征的数量。借助这种方式，网络会学习那些重要特征，进而有效进行维数缩减。

图是一个自动编码器的例子。如图所示，首先三元输入层扩展为四元层，然后压缩成一 元层。在网络的另一侧将一元层恢复为四元层，然后再恢复为原来的三元输入层。

一旦网络训练好之后，我们就可以利用左侧网络提取图像特征，就像我们在传统图像处理中 所做的那样。
还可以将多个自动编码器组成堆叠式自动编码器，如图8-4所示。前面已经对最基本的自动 编码器做了讲解，这里要讨论其隐藏层。然后，选取学好的隐藏层（圆圈），并且重复这个步骤， 学习更多的抽象表示。可以多次重复这个过程，将原特征转换为越来越少的维数。最后，选择所 有隐藏层，将其堆叠为一个规则的前馈网络，如图

受限玻尔兹曼机

受限玻尔兹曼机（Restricted Boltzman machine，RBM）是一种无向神经网络，也称为生成式随机神经网络（Generative Stochastic Networks，GSN），它能够在输入集之上学习概率分布。 顾名思义，它起源于玻尔兹曼机（Boltzman machine），这是一种20世纪80年代出现的循环神经网 络。“受限”是指神经元必须组成两个全连接层——输入层与隐藏层，如图

不同于前馈网络，可见层与隐藏层之间的连接是无向的。

因此，值可以沿着“可见隐藏” 与“隐藏可见”方向传播。 受限玻尔兹曼机的训练基于对比散度算法（Contrastive Divergence），使用类似反向传播的 梯度下降过程更新权重，将吉布斯采样（Gibbs sampling）应用到马尔可夫链以评估梯度——权 重的改变方向。

我们也可以堆叠受限玻尔兹曼机，形成深度信念网络（Deep Belief Networks，DBN）。此情 形之下，RBM的隐藏层充当RBM层的可见层，如图

训练是渐进式的，即逐层训练。

深度卷积网络

最近，在图像识别测试中取得很好效果的一种网络结构是卷积神经网络（Convolutional Neural Network，CNN）。它是前馈神经网络的一种，模拟视觉皮层的行为，用于探索输入图像 的2D结构，即展现空间局部相关性的模式。

CNN网络由若干卷积与子采样层组成，后面可以有全连接层。图8-7显示的是一个CNN网络。 输入层读取一幅图像中的所有像素，然后应用多个过滤器。图中应用了4个不同的过滤器。每个 过滤器都应用到原图像，比如一个6×6过滤器的一个像素被计算为输入像素的6×6平方与相应的 6×6权重之和。这实际引入了与处理标准图像类似的过滤器，比如平滑、相关、边缘检测等。这 样产生的结果图像称为特征图（feature map）。

图像例子中，我们有4个特征图，每一个对应一 个过滤器。 接下来的层是子采样层，它用于减少输入大小。在2×2的连续区域上（大图像高达5×5）， 通常采用平均值或最大池化（max pooling）方法，对每个特征图做子采样。比如，如果特征图大 小是16×16，子采样区域是2×2，缩减后的特征图尺寸是8×8，通过计算最大、最小、平均值或 者用其他函数，将4个像素（2×2方格）合并成一个像素。

网络可以包含几个连续卷积与子采样层，如图所示。一个特定的特征图会被连接到下一 个缩减/卷积特征图，而相同层上的特征图不会彼此相连。

在最后的子采样层或卷积层之后，通常会有一个全连接层（与标准多层神经网络中的层完全 相同），表示目标数据。

CNN训练采用修改过的反向传播算法，它会把子采样层也一起考虑进来，并且基于所有应用 过滤器的值更新卷积过滤器的权重。

至此，我们大致了解了主要的神经网络结构。接下来，我们将学习如何实际实现。