展華偉,唐 艷,付 婧

(西華師范大學(xué) 計(jì)算機(jī)學(xué)院 ， 四川 南充 637002)

0 引言

20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks簡稱CNN)[1].經(jīng)過十多年的發(fā)展，從早期的LeNet-5[2]到最新的ResNet[3]，卷積神經(jīng)網(wǎng)絡(luò)已成為各大學(xué)科領(lǐng)域研究的熱點(diǎn)，在語音識別[4]、人臉識別[5]、目標(biāo)檢測[6]、自然語言處理[7]等領(lǐng)域均有所突破.

卷積神經(jīng)網(wǎng)絡(luò)作為一種高效率的識別方法，可以很方便地進(jìn)行各種類型的特征提取.但是在處理具體任務(wù)或具體項(xiàng)目時，需要根據(jù)不同的需求來進(jìn)行參數(shù)調(diào)整和優(yōu)化，這種人為操作不僅費(fèi)時費(fèi)力而且很難達(dá)到訓(xùn)練的最優(yōu)效果，許少華等[8]研究了樣本先驗(yàn)知識對神經(jīng)網(wǎng)絡(luò)的性能影響，何莉[9]等提出了一種基于人群搜索算法的方法，來調(diào)整神經(jīng)網(wǎng)絡(luò)中的權(quán)重及閾值等系數(shù)，趙宏等[10]對神經(jīng)網(wǎng)絡(luò)中的代價(jià)函數(shù)與激活函數(shù)做了詳細(xì)的研究，并找到了最優(yōu)的組合方式.本文將在此基礎(chǔ)上，廣度探索分析了更多的參數(shù)(尤其是優(yōu)化器)，并在準(zhǔn)確率更高和速度更快之間，找到了一種廣泛的結(jié)合方式，使之能夠達(dá)到效率最佳的平衡點(diǎn)，從而提升神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能.

1 卷積神經(jīng)網(wǎng)絡(luò)原理

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前潰神經(jīng)網(wǎng)絡(luò)，通過特征提取層的不斷疊加從而得到其基本特征.主要由輸入層、隱層、全連接層和輸出層組成，而隱層是由卷積層和下采樣層交替連接的[2].

1.1 卷積層

其中的f是一個非線性函數(shù)，通常取sigmoid，tanh和ReLU函數(shù).卷積層就是為了提取圖像的特征，而不斷地進(jìn)行卷積操作，但由于提取到的特征維度較高很容易過擬合，所有通常在卷積層后面都會接一個池化層來對圖像進(jìn)行降維.

1.2 池化層

引入池化層的唯一目的就是減少圖像的大小，是為了提取特征在不同位置和規(guī)模上的變化，同時聚合不同特征映射的響應(yīng).常用的池化方法有最大池化(max- poopling)、均值池化(average pooling).均值池化是通過均值化局部領(lǐng)域中的像素值，來綜合考慮周圍像素的特征.而最大池化則是用來提取相鄰像素間最重要的特征信息，避免學(xué)習(xí)到一些無用的特征.

1.3 全連接層

在經(jīng)過多次卷積-池化操作后，已經(jīng)提取到了我們所需要的特征圖，接下來就要應(yīng)用全連接層來生成一個等同于需求數(shù)目的輸出.在全連接層中的每個神經(jīng)元的激勵函數(shù)通常采用ReLU函數(shù)[11].

2 相關(guān)參數(shù)與函數(shù)

2.1 初始化參數(shù)

在CNN中需要初始化的參數(shù)主要是權(quán)值和偏置值，傳統(tǒng)的初始化方法是從某個分布中隨機(jī)的進(jìn)行初始化，更簡單的是直接初始化為0或1，但這種方法效果很一般.如何定義這些參數(shù)將會直接影響到整個模型的收斂速度以及最終的分類效果.

2.2 激活函數(shù)與損失函數(shù)

非線性激活函數(shù)的引入主要是為了增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力，使深層神經(jīng)網(wǎng)絡(luò)更加有意義.

目前比較熱門的激活函數(shù)主要是：Sigmoid，tanh，ReLu，Leaky ReLu，Maxout等.神經(jīng)網(wǎng)絡(luò)的求解主要圍繞著代價(jià)函數(shù)的優(yōu)化進(jìn)行，經(jīng)驗(yàn)風(fēng)險(xiǎn)函數(shù)也稱為損失函數(shù)，用來度量輸出值與真實(shí)值之間的擬合程度，結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)則用來度量模型的復(fù)雜程度.

2.3 優(yōu)化算法

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練一輪之后，就需要對其進(jìn)行調(diào)整優(yōu)化，也就是目標(biāo)函數(shù)的最優(yōu)化.傳統(tǒng)的優(yōu)化算法是隨機(jī)梯度下降法以及衍生出的NAG[12]等，除此之外還有Momentum，Adagrad，Adadelta，Rmsprop，Adam等適合不同需求的優(yōu)化算法.其中Adam算法可以看作是修正后的Momentum算法[13].

2.4 學(xué)習(xí)率

學(xué)習(xí)率為每一次梯度下降的步長，通常設(shè)置為0.1.當(dāng)學(xué)習(xí)率較大時，模型的前期收斂速度加快，但始終達(dá)不到最優(yōu)點(diǎn)；當(dāng)學(xué)習(xí)率較小時，收斂的速度變得極慢.所以最優(yōu)的方法是在前期設(shè)置較大學(xué)習(xí)率，使得梯度快速下降，然后將學(xué)習(xí)率減小，使得模型逐漸達(dá)到最優(yōu)點(diǎn)，但同時也要防止出現(xiàn)過擬合問題，可以使用dropout或者正則化來解決.

3 建立模型及實(shí)驗(yàn)結(jié)果

3.1 模型構(gòu)建

本次實(shí)驗(yàn)是利用Google平臺TensorFlow框架構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)，擁有2個卷積-池化層、2個全連接層，32個5*5的卷積核，其中使用到的相關(guān)超參數(shù)和函數(shù)如表1所示.實(shí)驗(yàn)中使用MNIST數(shù)據(jù)集作為實(shí)驗(yàn)的訓(xùn)練和測試數(shù)據(jù)集.MNIST數(shù)據(jù)集是一個計(jì)算機(jī)視覺數(shù)據(jù)集，包含70 000張手寫數(shù)字的灰度圖片，其中每張圖片包含28×28個像素點(diǎn)，部分?jǐn)?shù)據(jù)可視化后如圖1所示.

表1 超參數(shù)和函數(shù)

圖1 MNIST數(shù)據(jù)集

另一方面，目前可用的優(yōu)化器有多種，如何進(jìn)行組合來適應(yīng)該模型就成為了關(guān)鍵所在.如果輸入的數(shù)據(jù)很稀少，那么可以使用自適應(yīng)學(xué)習(xí)率方法中的一種來獲得最佳結(jié)果.RMSprop作為Adagrad的延伸，引入了衰減系數(shù)，解決了學(xué)習(xí)速率急劇下降的問題.Adam是帶有動量系數(shù)的RMSProp，在經(jīng)過偏置矯正后，每一次迭代學(xué)習(xí)率都有個確定范圍，使得參數(shù)比較平穩(wěn).

3.2 實(shí)驗(yàn)結(jié)果

表2為各優(yōu)化器在不同迭代次數(shù)下的實(shí)驗(yàn)結(jié)果.本實(shí)驗(yàn)探索了在確定了超參數(shù)和函數(shù)的情況下，不同優(yōu)化器對模型的性能影響.通過對比發(fā)現(xiàn)，Adam和RMSProp這兩種優(yōu)化器的最終準(zhǔn)確率相近，并優(yōu)于其他優(yōu)化器，其中，Adam在迭代500次時準(zhǔn)確率就已經(jīng)稍高于RMSProp，說明該優(yōu)化器收斂速度更快、效率更高.

表2 不同優(yōu)化器性能對比

4 結(jié)論

本文對卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)設(shè)置和函數(shù)選擇等方面進(jìn)行了探索及實(shí)驗(yàn)，揭示了這些參數(shù)在模型訓(xùn)練過程中的影響.實(shí)驗(yàn)結(jié)果表明，通過預(yù)先設(shè)定好相關(guān)超參數(shù)，并且在與RMSProp或者Adam搭配時，能夠更快地達(dá)到收斂時的準(zhǔn)確率，從而提高卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率.