halcon多层感知器MLP的使用
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了halcon多层感知器MLP的使用相关的知识,希望对你有一定的参考价值。
参考技术A step1:准备数据在图像选择区域作为训练集,可以是矩形,也可以是任意形状的区域。
step2:创建一个MLP
step3:添加训练数据
step4:查看训练样本数量(非必须)
step5:训练
step6:映射颜色表
step7:使用
step8:看效果
参考:classify_image_class_lut.hdev,texture_laws_mlp.hdev,segment_citrus_fruits.hdev
参考:create_class_mlp (Operator)
1、将MLP模型写入文件
write_class_mlp( : : MLPHandle, FileName : )
2、从文件中读入一个MLP模型
read_class_mlp( : : FileName : MLPHandle)
3、清除MLP
clear_class_mlp( : : MLPHandle : )
MLP多层感知器pytorch实现过程
参考博客:
https://blog.csdn.net/xholes/article/details/78461164
https://www.pianshen.com/article/1392309515/
代码github地址
使用pytorch框架实现MLP。为了深入了解源码,没有使用pytorch中torch.nn.Module类和其它现有的方法,大部分功能手写实现。
data文件夹中是数据集。
ReLU_CELF.py 是代码,激活函数使用ReLU,损失函数使用交叉熵。
”MLP文档“文件夹中有实现过程与编写代码时遇到的错误,实现过程中的内容与下文一致,实现过程中包括手写。
多层感知机:Multi-Layer Perceptron
多层感知机构建步骤:
- 构建网络模型
- 权重初始化
- 前向传播
- 计算损失
- 反向传播求梯度
- 更新权重
1. 构建网络模型
多层神经网络中第一层称之为输入层,最后一层称之为输出层,中间的层称之为隐层。在分类模型中,输出层的每一个变量对应一个类别。层与层之间两两单元之间存在连接。
在本模型中输入是一个 28 × 28 28\\times28 28×28的图片,所以输入层大小是784,中间两个隐层大小分别是512,128。因为该模型用于识别MNIST手写集,相当于十分类,输出层大小为10。
2. 权重初始化
使用python中的randn来进行权重初始化。
t o r c h . r a n d n torch.randn torch.randn 返回一个包含了从标准正态分布中抽取的一组随机数的张量。
def init_parameters(self):
self.W.append(torch.randn(self.hidden1_size, self.input_size))
self.W.append(torch.randn(self.hidden2_size, self.hidden1_size))
self.W.append(torch.randn(self.output_size, self.hidden2_size))
self.b.append(torch.randn(self.hidden1_size, 1))
self.b.append(torch.randn(self.hidden2_size, 1))
self.b.append(torch.randn(self.output_size, 1))
在使用ReLU函数时,权值初始化出现问题。如果输入的x比较大,初始化权值w也比较大,那么就会导致计算出的a比较大,会出现很大的负数或者正数。导致最终计算经过softmax函数后的输出层时,会出现很多值为0,一个值为1的情况,这样对计算loss值是非常不利的,因为会计算 l o g ( 0 ) log(0) log(0)。
同时,如果w值比较大的话,还可能会出现梯度爆炸的问题。
最后使用 小随机数或者除 n \\sqrt{n} n 的方法来解决,将权重初始化为比较小的值。
def init_parameters(self):
self.W.append(
0.01 * torch.randn(self.hidden1_size, self.input_size))
self.W.append(
0.01 * torch.randn(self.hidden2_size, self.hidden1_size))
self.W.append(
0.01 * torch.randn(self.hidden3_size, self.hidden2_size))
self.W.append(
0.01 * torch.randn(self.output_size, self.hidden3_size))
self.b.append(0.01 * torch.randn(self.hidden1_size, 1))
self.b.append(0.01 * torch.randn(self.hidden2_size, 1))
self.b.append(0.01 * torch.randn(self.hidden3_size, 1))
self.b.append(0.01 * torch.randn(self.output_size, 1))
3. 前向传播
设变量的上标代表所处的神经网络的第几层。
W l W^{l} Wl连接第 l l l层到第 l − 1 l-1 l−1层的权重矩阵中,其中 W j i l W_{ji}^{l} Wjil表示第 l − 1 l-1 l−1层的第 i i i个节点与第 l l l层的第 j j j个节点的权重。
z j l + 1 = ∑ i = 1 n w j i l + 1 a i l = w j 1 l + 1 a 1 l + w j 2 l + 1 a 2 l + w j 3 l + 1 a 3 l + . . . + w j n l + 1 a n l z_{j}^{l+1} = \\sum_{i=1}^{n}w_{ji}^{l+1}a_{i}^{l}=w_{j1}^{l+1}a_{1}^{l}+w_{j2}^{l+1}a_{2}^{l}+w_{j3}^{l+1}a_{3}^{l}+...+w_{jn}^{l+1}a_{n}^{l} zjl+1=∑i=1nwjil+1ail=wj1l+1a1l+wj2l+1a2l+wj3l+1a3l+...+wjnl+1anl
a j l = f ( z j l ) a_{j}^{l} = f(z_{j}^{l}) ajl=f(zjl),其中 f ( ⋅ ) f(\\cdot) f(⋅)为激活函数。
将上述式子转化成矩阵表达式
{
Z
l
=
W
l
a
l
−
1
+
b
l
a
l
=
f
(
z
l
)
\\begin{cases} {\\bf Z}^{l}={\\bf W}^{l}{\\bf a}^{l-1}+{\\bf b}^{l}\\\\ {\\bf {a}}^{l}=f({\\bf z^{l}})\\\\ \\end{cases}
{Zl=Wlal−1+blal=f(zl)
4. 计算损失
使用交叉熵作为损失函数
设我们预测的结果是 Y ^ \\hat{Y} Y^是我们预测的结果, Y Y Y是真实分类情况的one-hat编码。
则 L = − ∑ i = 1 n y i l o g y ^ i L = -\\sum\\limits_{i=1}^{n}y_{i}log\\hat{y}_{i} L=−i=1∑nyilogy^i
注意这里的 Y ^ \\hat{Y} Y^应该是经过softmax函数处理之后的输出,这样能保证 ∑ i = 1 n = 1 \\sum\\limits_{i=1}^{n}=1 i=1∑n=1
5. 反向传播与更新参数
训练过程可视化
使用pytorch内置的Tensorboard进行绘图
训练过程展示,每100个batch绘制一个点
测试过程展示,每100个batch绘制一个点
以上是关于halcon多层感知器MLP的使用的主要内容,如果未能解决你的问题,请参考以下文章