人工智能系列 之深度学习和caffe应用整理笔记1

Posted 2021-05-20 琅晓琳

1 前言
之前用过windows-caffe做过深度学习的训练和应用，以下的专题算是对于caffe和深度学习部分内容的回顾。
其实个人觉得数据分析和深度学习都算人工智能的范畴，整体流程分为以下几步：
（1）【数据源的整理以及数据的预处理】对于数据分析来说整体目标是在海量的数据中得到数据的分布规律（均值、方差、变化趋势等），对于深度学习（专指CNN）来说就是从已知的图像分类中做图像分类、图像识别等，对于数据的质量和数量来说都有一定的要求。前者可能是质量要求大于数量要求，后者是数量要求大于质量要求，对于CNN来说适当加入噪声、干扰等可以提高模型的鲁棒性；
（2）【网络或者说模型的选择】这里的网络或者模型的选择要考虑以下因素：首先是应用的场景对于准确率等指标的要求；其次是机器资源，包括有没有足够的GPU资源、有没有适当的CPU资源等；然后是数据量的多少，尤其是对于CNN的训练，原始图的数量起码要在千张数量级甚至万张数量级，如果不能得到这么多的数量级原始图像，就算之后利用旋转、加入适当噪声、缩放等图像变换进行处理，那数量级还是不能支撑起一个小型CNN网络数据的需求；接着就是原始数据图像的尺寸以及最后的目标分类数量，这个可以决定网络的输入神经元数量和输出神经元数量；最后是对于模型的熟悉程度，建议要在论文中研究一下网络或者模型的原理，这样方便进行第（3）步的调参；
（3）【模型的训练和调参】数据和网络是训练的两大支柱，以上工作做好之后会进入模型训练的过程，这时需要评估下模型训练的时长，可以简单的设定下训练次数为500次或者1000次，估计下所用的时间，然后再根据数据量的多少、模型的深度、预训练的时长决定自己的训练迭代次数；调参就是当准确率不够高时对于网络参数的调整，包括层数、神经元数量、卷积核尺寸、激活函数的选择等，这里要注意的是梯度消失或者梯度弥散等问题的出现；
（4）【模型的应用】模型的训练其实就是确定网络参数，对于分类来说，通俗的讲就是确定分类函数的k和b，当然这里的分类函数不是简单的二维或者平面的函数，而是一个很复杂的分类平面，这里可以了解下SVM中关于此类问题的解释。通过第（3）步的训练确定模型的参数，这样在模型应用时只需要跑一个前向过程，然后判断图像的分类即可；
（5）以上仅是对于图像分类过程的总结，对于图像识别、图像去噪等领域可能不适用；所述的流程是通用流程，对于具体模型的应用可能会有所改变；大概就是这些，祝大家AI之旅愉快，也欢迎大家的交流！

2 window下利用.bat命令批处理生成图像（图片）标签
（1）打开cmd界面；
（2）进入图像所在的文件夹，例如cd D:\\caffe\\caffe-master\\data\\train；
（3）输入命令：dir /s/on/b > d:train.txt，这样会在D盘生成一个名为train.txt的文本，里面存放D:\\caffe\\caffe-master\\data\\train文件夹中的所有文件路径；
（4）利用txt的查找替换的操作，对图像进行打标签处理。

3 Caffe中的Blob,Layer and Net的含义
（1）Blob是caffe实际存储数据的结构，是一个不定维矩阵，在caffe中一般用来表示一个拉直的四维矩阵，四个维度对应Batch Size（N）、Feature Map的通道数（C）、Feature Map的高度（H）和宽度（W）。Blob提供了统一的存储器接口，使用SyncedMemory类进行数据存储，数据成员data_指向实际存储数据的内存或者显存块，shape_存储当前blob的维度信息，diff_保存反向传播的梯度信息。
在模型中设定的参数，也是用Blob来表示和运算，它的维度会根据参数的类型不同而不同。比如：在一个卷积层中，输入一张3通道图片，有96个卷积核，每个核大小为11×11，因此这个Blob是96×3×11×11；而在一个全连接层中，假设输入1024通道图片，输出500个数据，则Blob为500*1024；
（2）Layer是网络模型的组成要素和计算的基本单位。层的类型比较多，如Data,Convolution,Pooling,ReLU,Softmax-loss,Accuracy等，它是组成网络的基本要素；
（3） 一个net由多个layer组合而成，caffe的优势就是将net中的layer定制出来供我们选择使用；劣势是有可能对于新出来的层并不支持。

4 几个常用的指标
真阳性（TP）：属于该类且被分类器分为该类的样本；
真阴性（TN）：不属于该类且被分类器分为不属于该类的样本；
假阳性（FP）：不属于该类且被分类器分为该类的样本；
假阴性（FN）：属于该类且被分类器分为不属于该类的样本；
灵敏度（Sen）：代表正确判断病人的比率—>TP/(TP+FN)；
特异性（Spe）：代表正确判断非病人的比率—>TN/(TN+FP)。

5 下载或者安装caffe请参考以下链接（window平台下）：
https://blog.csdn.net/zb1165048017/article/details/51355143 caffe+VS2013+Windows无GPU快速配置教程
https://blog.csdn.net/zb1165048017/article/details/51549105 caffe+VS2013+Windows+GPU配置+cifar使用