摘要

　　本文是系列文章的第二部分,，重點(diǎn)介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）的特性和應(yīng)用。CNN主要用于模式識(shí)別和對(duì)象分類,。在第一部分文章《卷積神經(jīng)網(wǎng)絡(luò)簡介：什么是機(jī)器學(xué)習(xí),？——第一部分》中，我們比較了在微控制器中運(yùn)行經(jīng)典線性規(guī)劃程序與運(yùn)行CNN的區(qū)別,，并展示了CNN的優(yōu)勢,。我們還探討了CIFAR網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以對(duì)圖像中的貓,、房子或自行車等對(duì)象進(jìn)行分類,，還可以執(zhí)行簡單的語音識(shí)別。本文重點(diǎn)解釋如何訓(xùn)練這些神經(jīng)網(wǎng)絡(luò)以解決實(shí)際問題,。

　　神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

　　本系列文章的第一部分討論的CIFAR網(wǎng)絡(luò)由不同層的神經(jīng)元組成,。如圖1所示，32 × 32像素的圖像數(shù)據(jù)被呈現(xiàn)給網(wǎng)絡(luò)并通過網(wǎng)絡(luò)層傳遞,。CNN處理過程的第一步就是提取待區(qū)分對(duì)象的特性和結(jié)構(gòu),，這需要借助濾波器矩陣實(shí)現(xiàn)。設(shè)計(jì)人員對(duì)CIFAR網(wǎng)絡(luò)進(jìn)行建模后,，由于最初無法確定這些濾波器矩陣,，因此這個(gè)階段的網(wǎng)絡(luò)無法檢測模式和對(duì)象。

　　為此,，首先需要確定濾波器矩陣的所有參數(shù),，以最大限度地提高檢測對(duì)象的精度或最大限度地減少損失函數(shù)。這個(gè)過程就稱為神經(jīng)網(wǎng)絡(luò)訓(xùn)練,。本系列文章的第一部分所描述的常見應(yīng)用在開發(fā)和測試期間只需對(duì)網(wǎng)絡(luò)進(jìn)行一次訓(xùn)練就可以使用,，無需再調(diào)整參數(shù)。如果系統(tǒng)對(duì)熟悉的對(duì)象進(jìn)行分類，則無需額外訓(xùn)練,；當(dāng)系統(tǒng)需要對(duì)全新的對(duì)象進(jìn)行分類時(shí),，才需要額外進(jìn)行訓(xùn)練。

　　進(jìn)行網(wǎng)絡(luò)訓(xùn)練需要使用訓(xùn)練數(shù)據(jù)集,，并使用類似的一組測試數(shù)據(jù)集來測試網(wǎng)絡(luò)的精度,。例如CIFAR-10網(wǎng)絡(luò)數(shù)據(jù)集為十個(gè)對(duì)象類的圖像集合：飛機(jī)、汽車,、鳥,、貓、鹿,、狗,、青蛙、馬,、輪船和卡車,。我們必須在訓(xùn)練CNN之前對(duì)這些圖像進(jìn)行命名，這也是人工智能應(yīng)用開發(fā)過程中最為復(fù)雜的部分,。本文討論的訓(xùn)練過程采用反向傳播的原理,，即向網(wǎng)絡(luò)連續(xù)展示大量圖像，并且每次都同時(shí)傳送一個(gè)目標(biāo)值,。本例的目標(biāo)值為圖像中相關(guān)的對(duì)象類,。在每次顯示圖像時(shí)，濾波器矩陣都會(huì)被優(yōu)化,，這樣對(duì)象類的目標(biāo)值就會(huì)和實(shí)際值相匹配,。完成此過程的網(wǎng)絡(luò)就能夠檢測出訓(xùn)練期間從未看到過的圖像中的對(duì)象。

　　圖1.CIFAR CNN架構(gòu),。

　　圖2.由前向傳播和反向傳播組成的訓(xùn)練循環(huán),。

　　過擬合和欠擬合

　　在神經(jīng)網(wǎng)絡(luò)的建模過程中經(jīng)常會(huì)出現(xiàn)的問題是：神經(jīng)網(wǎng)絡(luò)應(yīng)該有多少層，或者是神經(jīng)網(wǎng)絡(luò)的濾波器矩陣應(yīng)該有多大,?；卮疬@個(gè)問題并非易事，因此討論網(wǎng)絡(luò)的過擬合和欠擬合至關(guān)重要,。過擬合由模型過于復(fù)雜以及參數(shù)過多而導(dǎo)致,。我們可以通過比較訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的損失來確定預(yù)測模型與訓(xùn)練數(shù)據(jù)集的擬合程度。如果訓(xùn)練期間損失較低并且在向網(wǎng)絡(luò)呈現(xiàn)從未顯示過的測試數(shù)據(jù)時(shí)損失過度增加,，這就強(qiáng)烈表明網(wǎng)絡(luò)已經(jīng)記住了訓(xùn)練數(shù)據(jù)而不是在實(shí)施模式識(shí)別,。此類情況主要發(fā)生在網(wǎng)絡(luò)的參數(shù)存儲(chǔ)空間過大或者網(wǎng)絡(luò)的卷積層過多的時(shí)候。這種情況下應(yīng)當(dāng)縮小網(wǎng)絡(luò)規(guī)模,。

　　損失函數(shù)和訓(xùn)練算法

　　學(xué)習(xí)分兩個(gè)步驟進(jìn)行,。第一步，向網(wǎng)絡(luò)展示圖像，然后由神經(jīng)元網(wǎng)絡(luò)處理這些圖像生成一個(gè)輸出矢量,。輸出矢量的最大值表示檢測到的對(duì)象類,，例如示例中的“狗”，該值不一定是正確的,。這一步稱為前向傳播,。

　　目標(biāo)值與輸出時(shí)產(chǎn)生的實(shí)際值之間的差值稱為損失，相關(guān)函數(shù)則稱為損失函數(shù),。網(wǎng)絡(luò)的所有要素和參數(shù)均包含在損失函數(shù)中。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程旨在以最小化損失函數(shù)的方式定義這些參數(shù),。這種最小化可通過反向傳播的過程實(shí)現(xiàn),。在反向傳播的過程中，輸出產(chǎn)生的偏置（損失 = 目標(biāo)值-實(shí)際值）通過網(wǎng)絡(luò)的各層反饋,，直至達(dá)到網(wǎng)絡(luò)的起始層,。

　　因此，前向傳播和反向傳播在訓(xùn)練過程中產(chǎn)生了一個(gè)可以逐步確定濾波器矩陣參數(shù)的循環(huán),。這種循環(huán)過程會(huì)不斷重復(fù),，直至損失值降至一定程度以下。

　　優(yōu)化算法,、梯度和梯度下降法

　　為說明訓(xùn)練過程,，圖3顯示了一個(gè)包含x和y兩個(gè)參數(shù)的損失函數(shù)的示例，這里z軸對(duì)應(yīng)于損失,。如果我們仔細(xì)查看該損失函數(shù)的三維函數(shù)圖,，我們就會(huì)發(fā)現(xiàn)這個(gè)函數(shù)有一個(gè)全局最小值和一個(gè)局部最小值。

　　目前,，有大量數(shù)值優(yōu)化算法可用于確定權(quán)重和偏置,。其中，梯度下降法最為簡單,。梯度下降法的理念是使用梯度算子在逐步訓(xùn)練的過程中找到一條通向全局最小值的路徑,，該路徑的起點(diǎn)從損失函數(shù)中隨機(jī)選擇。梯度算子是一個(gè)數(shù)學(xué)運(yùn)算符,，它會(huì)在損失函數(shù)的每個(gè)點(diǎn)生成一個(gè)梯度矢量,。該矢量的方向指向函數(shù)值變化最大的方向，幅度對(duì)應(yīng)于函數(shù)值的變化程度,。在圖3的函數(shù)中,，右下角（紅色箭頭處）由于表面平坦，因此梯度矢量的幅度較小,。而接近峰值時(shí)的情況則完全不同,。此處矢量（綠色箭頭）的方向急劇向下，并且由于此處高低差明顯，梯度矢量的幅度也較大,。

　　圖3.使用梯度下降法確定到最小值的不同路徑,。

　　因此我們可以利用梯度下降法從任意選定的起點(diǎn)開始以迭代的方式尋找下降至山谷的最陡峭路徑。這意味著優(yōu)化算法會(huì)在起點(diǎn)計(jì)算梯度,，并沿最陡峭的下降方向前進(jìn)一小步,。之后算法會(huì)重新計(jì)算該點(diǎn)的梯度，繼續(xù)尋找創(chuàng)建一條從起點(diǎn)到山谷的路徑,。這種方法的問題在于起點(diǎn)并非是提前定義的,，而是隨機(jī)選擇的。在我們的三維地圖中,，某些細(xì)心的讀者會(huì)將起點(diǎn)置于函數(shù)圖左側(cè)的某個(gè)位置,，以確保路徑的終點(diǎn)為全局最小值（如藍(lán)色路徑所示）。其他兩個(gè)路徑（黃色和橙色）要么非常長,，要么終點(diǎn)位于局部最小值,。但是，算法必須對(duì)成千上萬個(gè)參數(shù)進(jìn)行優(yōu)化,，顯然起點(diǎn)的選擇不可能每次都碰巧正確,。在具體實(shí)踐中，這種方法用處不大,。因?yàn)樗x擇的起點(diǎn)可能會(huì)導(dǎo)致路徑（即訓(xùn)練時(shí)間）較長,，或者目標(biāo)點(diǎn)并不位于全局最小值，導(dǎo)致網(wǎng)絡(luò)的精度下降,。

　　因此,，為避免上述問題，過去幾年已開發(fā)出大量可作為替代的優(yōu)化算法,。一些替代的方法包括隨機(jī)梯度下降法,、動(dòng)量法、AdaGrad方法,、RMSProp方法,、Adam方法等。鑒于每種算法都有其特定的優(yōu)缺點(diǎn),，實(shí)踐中具體使用的算法將由網(wǎng)絡(luò)開發(fā)人員決定,。

　　訓(xùn)練數(shù)據(jù)

　　在訓(xùn)練過程中，我們會(huì)向網(wǎng)絡(luò)提供標(biāo)有正確對(duì)象類的圖像,，如汽車,、輪船等。本例使用了已有的CIFAR-10數(shù)據(jù)集,。當(dāng)然,，在具體實(shí)踐中,，人工智能可能會(huì)用于識(shí)別貓、狗和汽車之外的領(lǐng)域,。這可能需要開發(fā)新應(yīng)用,，例如檢測制造過程中螺釘?shù)馁|(zhì)量必須使用能夠區(qū)分好壞螺釘?shù)挠?xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。創(chuàng)建此類數(shù)據(jù)集極其耗時(shí)費(fèi)力,，往往是開發(fā)人工智能應(yīng)用過程中成本最高的一步,。編譯完成的數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于訓(xùn)練,，而測試數(shù)據(jù)則用于在開發(fā)過程的最后檢查訓(xùn)練好的網(wǎng)絡(luò)的功能,。

　　結(jié)論

　　本系列文章的第一部分《人工智能簡介：什么是機(jī)器學(xué)習(xí)？——第一部分》介紹了神經(jīng)網(wǎng)絡(luò)并對(duì)其設(shè)計(jì)和功能進(jìn)行了詳細(xì)探討,。本文則定義了函數(shù)所需的所有權(quán)重和偏置,，因此現(xiàn)在可以假定網(wǎng)絡(luò)能夠正常運(yùn)行。在后續(xù)第三部分的文章中,，我們將通過硬件運(yùn)行神經(jīng)網(wǎng)絡(luò)以測試其識(shí)別貓的能力。這里我們將使用ADI公司開發(fā)的帶硬件CNN加速器的MAX78000人工智能微控制器來進(jìn)行演示,。

更多精彩內(nèi)容歡迎點(diǎn)擊==>>電子技術(shù)應(yīng)用-AET<<