Matconvnet笔记（一）

参考网址：http://www.vlfeat.org/matconvnet/

内容参考博客：http://blog.sina.com.cn/s/blog_92cd3a1c0102x1ch.html

MatConvNet安装：http://www.vlfeat.org/matconvnet/install/ （根据自己的系统配置进行相应的安装）

摘要

　　MatConvnet是用matlab实现的卷积神经网络（CNN），该工具箱的设计注重简洁性和灵活性。它将CNN的构建模块公开为易于使用的MATLAB函数，提供用于计算带有滤波器组的线性卷积、特征池化等例程。通过这种方式，MatConvNet可以快速建立新的CNN结构；同时，它支持CPU和GPU上的高效计算，允许在大型数据集（如ImageNet ILSVRC）上训练复杂模型。本文档概述了CNN及其在MatConvNet中如何实现，并给出了工具箱中每个计算模块的技术细节。

第一章 MatConvnet介绍

　　MatConvNet是一个实现卷积神经网络（CNN）的MATLAB工具箱，用于计算机视觉应用。自从工作[8]的突破，CNNs在计算机视觉领域产生了重大影响，特别是在图像理解方面，基本上是取代传统的图像表示，例如在我们自己的VLFeat [13]中实现的开源库。

　　虽然大多数CNN是通过组合简单的线性和非线性滤波操作（例如卷积和整形）来获得的，但是它们的实现是非常重要的。原因是为了获得非常有效的实现，CNNs需要从大量的数据中学习，经常是数百万的图像。作为大多数CNN库，MatConvNet通过使用各种优化来实现这一点，主要是通过支持GPU上的计算。

　　除此之外，还有许多其他的机器学习，深度学习和CNN开源库存在。引用其中一些最受欢迎的：CudaConvNet(https://code.google.com/p/cuda-convnet/)、Torch（http://cilvr.nyu.edu/doku.php?id=code:start）、Theano（http://deeplearning.net/software/theano/）以及caffe（http://caffe.berkeleyvision.org）。这些库中许多得到很好的支持，有几十个活跃的贡献者和大量的用户基础。因此，为什么还要创建另外一个库呢？

　　开发MatConvNet的关键动机是为研究人员提供一个特别友好和有效的环境，以便在其调查中使用。MatConvnet通过其在MATLAB环境中的深度集成实现了这一点，这是计算机视觉研究以及许多其他领域最受欢迎的开发环境之一。特别是，MatConvNet公开了简单的MATLAB命令来实现CNN构建块，如卷积，归一化和池化（第4章）；这些块可以很容易地组合和扩展以创建CNN结构。虽然许多这样的块使用用C ++和CUDA编写的优化的CPU和GPU实现（第1.4节）。 MATLAB本机支持GPU计算意味着通常在MATLAB中直接写入新的模块是可能的，同时保持计算效率。与使用低级语言编写新的CNN组成结构相比，这是一个重要的简化，可以显着加速测试新的想法。使用MATLAB还提供了一个到其他领域的桥梁； 例如，MatConvNet最近被亚利桑那大学用于行星科学，如NVIDIA博客网站所述。

　　MatConvNet可以从输完图片中学习大的CNN模型，如AlexNet[8]和非常深的网络[11]。可以从MatConvNet主页下载这些强大模型的预训练版本。虽然功能强大，但是MatConvNet仍然很容易使用和安装。实现是完全独立的，只需要MATLAB和兼容的C ++编译器（使用GPU代码需要免费提供的CUDA开发套件和合适的NVIDIA GPU）。如图 1.1和第1.1节所示，可以使用三个MATLAB命令下载，编译和安装MatConvNet。其中包括了几个完整功能的示例，演示如何可以学习小型和大型网络。重要的是，几个标准的预训练网络可以立即下载并在应用程序中使用。该工具箱的完整技术说明手册也包含在此工具箱中。这些功能使MatConvNet在教育领域也很有用。

　　MatConvNet是根据BSD类似许可证开放源代码。可从http://www.vlfeat.org/matconvnet以及GitHub上下载。

1.1 开始运行

　　MatConvNet易于安装和使用。图1.1提供了一个完整的示例，即使用最新一代的卷积神经网络来对一张图片进行分类。该示例包含下载MatConvNet，编译包，下载一个预训练的CNN模型，以及在MATLAB的某个库存图像上评估该模型。

　　在这个例子中的关键命令是vl_simplenn，一个包装器，它将CNN网络和预处理图像im_作为输入，并产生结果的结构res。该特定封装可以用于对具有简单结构，即操作链的网络建模。 检查vl_simplenn（在MatConvNet中编辑vl_simplenn）的代码，我们注意到封装顺序地转换数据，应用网络配置指定的多个MATLAB函数。 这些函数，在第4章中详细讨论，被称为“构建块”，并构成MatConvNet的骨架。

　　虽然大多数块实现简单的操作，但使得它们不平凡的是它们的效率（第1.4节）以及支持反向传播（第2.3节），以允许学习CNN。接下来，我们演示如何直接使用这样的构建块之一。 为了示例的目的，考虑使用一组线性滤波器对图像进行卷积。 首先，通过在MATLAB中读取图像，例如使用im = single（imread（'peppers.png'）），获得H×W×D数组im，其中D = 3是图像中的颜色通道的数量。 然后使用f = randn（3,3,3,16，'single'）创建一个大小为3×3的K = 16个随机滤波器组。最后，使用命令y = vl_nnconv（x，f，[]）将图像与滤波器进行卷积。 这产生了具有K个通道的阵列y，滤波器组中的每一个在阵列中都有一个通道。

　　为了鼓励用户直接使用块来创建新的架构，MATLAB提供了封装，如vl_simplenn用于标准CNN结构，如AlexNet [8]或Network-in-Network [9]。  此外，库提供了许多示例（在examples /子目录中），包含了在MNIST，CIFAR和ImageNet数据集上学习各种模型的代码。所有这些示例使用examples / cnn_train训练代码，它是随机梯度下降的实现（第3.3节）。  虽然这个训练代码是完全可维护的和相当灵活的，它仍然在examples/子目录，因为它有点问题特定。欢迎用户对他们的实施优化。

（注：运行下列代码之前，需按照http://www.vlfeat.org/matconvnet/install/#compiling 所述通过编译。）

 % install and compile MatConvNet (run once)
 untar(['http://www.vlfeat.org/matconvnet/download/' ...
 'matconvnet-1.0-beta25.tar.gz']) ;
 cd matconvnet-1.0-beta25
 run matlab/vl_compilenn
 
 % download a pre?trained CNN from the web (run once)
 urlwrite(...
 'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat', ...
 'imagenet-vgg-f.mat') ;
 % setup MatConvNet
 run matlab/vl_setupnn
 % load the pre?trained CNN
 net = load('imagenet-vgg-f.mat') ;
 % load and preprocess an image
 im = imread('peppers.png') ;
 im_ = imresize(single(im), net.meta.normalization.imageSize(:)) ;
 im_ = im_ - net.meta.normalization.averageImage ;
 % run the CNN
 res = vl_simplenn(net, im_) ;
 % show the classification result
 scores = squeeze(gather(res(end).x)) ;
 [bestScore, best] = max(scores) ;
 figure() ; clf ; imagesc(im) ;
 title(sprintf('%s (%d), score %.3f',...
 net.meta.classes.description{best}, best, bestScore)) ; %%注：官方代码是net.classes.description，需要加上meta

运行结果如下:

 1.2 MatConvNet概览

　　MatConvNet有一个简单的设计原则。它不是将CNN包裹在软件的复杂层上，而是开放了直接作为MATLAB命令的计算CNN模块的简单函数，例如线性卷积和ReLU操作。这些模块易于组合成完整的CNN，并且可以用于实现复杂的学习算法。虽然提供了小型和大型CNN结构和预训练例程的几个实际例子，但总是可以回到基础并构建自己的结构，使用MATLAB在原型中的效率。通常不需要C编码来尝试新的结构。因此，MatConvNet是计算机视觉和CNNs研究的理想平台。

　　MatConvNet包含了以下元素：

　　CNN计算块 一组计算CNN的基本模块的优化例程。例如，卷积模块是由y = vl_nnconv（x，f，b）实现，其中x是图像，f是滤波器组，b是偏置矢量（第4.1节）。导数可由[dzdx，dzdf，dzdb] = vl_nnconv（x，f，b，dzdy）计算，其中dzdy是CNN输出w.r.t y的导数（第4.1节）。第4章详细描述了所有块。

　　CNN封装. MatConvNet提供了一个简单的封装，由vl_simplenn调用，其实现具有线性拓扑（块链块）的CNN。 它还提供了一个更灵活的封装，支持具有任意拓扑的网络，封装在dagnn.DagNN
MATLAB类中。

　　示例应用程序.MatConvNet提供了几个在MNIST，CIFAR 10和ImageNet数据集上学习具有随机梯度下降和CPU或GPU的CNN的示例。

　　预先训练的模型.MatConvNet提供了几个先进的预训练的CNN模型，可以使用现成的，以分类图像或者在Caffe或DeCAF环境中生成图像编码。

1.3 文档和示例

　　有三个关于MatConvNet的主要信息来源：
　　首先，网站包含所有功能的描述和若干例子和教程。
　　第二，有一个PDF手册，其中包含大量有关工具箱的技术细节，包括对构建块的详细数学描述。
　　第三，MatConvNet附有几个例子（第1.1节）。

　　大多数示例是完全自包含的。例如，为了运行MNIST示例，它支持将MATLAB指向MatConvNet根目录，并键入addpath←examples，后跟cnn_mnist。根据问题的大小，Image
Net ILSVRC示例需要一些更多准备，包括下载和预处理图像（使用附带的脚本utils / preprocess-imagenet.sh）。还包括几个高级示例。例如， 图1.2说明了top-1和top-5验证错误，因为类似于Alex Net
[8]的模型使用标准dropout正规化或最近的批次标准化技术[3]进行训练。后者被示为在前者所需的约三分之一的epochs（通过训练数据）中收敛。

　　MatConvNet网站还包含许多预训练模型，即在Image Net
ILSVRC上训练的大型CNN，可以下载并用作许多其他问题的起点[1]。 这些包括：AlexNet
[7]，VGG-S，VGG-M，VGG-S [1]和VGG-VD-16和VGG-VD-19
[11]。图1.1的示例代码显示了一个这样的模型如何在几行MATLAB代码中使用。

1.4 速度

　　效率对于CNN的工作非常重要。 MatConvNet支持使用NVIDIA GPU，因为它包括所有算法的CUDA实现（或依赖于MATLAB CUDA支持）。

　　要使用GPU（假设有合适的硬件可用，并且工具箱已经在GPU支持下编译），只需要在MATLAB中将参数转换为gpuArrays，如y = vl_nnconv（gpu Array（x），gpu Array（w），[]）。以这种方式，CPU和GPU之间的切换是完全透明的。 请注意，MatConvNet还可以利用NVIDIA CuDNN库，具有显着的速度和空间优势。

　　接下来，我们评估MatConvNet在Image Net ILSVRC 2012挑战数据上训练大型架构时的性能[2]。测试机器是一台戴尔服务器，配有两个采用3.30 GHz时钟频率的Intel Xeon CPU E5-2667 v2（每个CPU有八个内核），256 GB RAM和四个NVIDIA Titan Black GPU（除非另有说明，否则只使用其中一个） 。实验使用MatConvNet beta12，Cu DNN v2和MATLAB R2015a。数据被预处理以避免在MATLAB中飞快地重新缩放图像并存储在RAM盘中以便更快地访问。该代码使用vl_imreadjpeg命令在多个单独的线程中从磁盘读取大批量的JPEG图像。驱动程序examples/ cnn_imagenet.m用于所有实验。

我们训练在Image Net ILSVRC第1.3节中讨论的模型。表1.1报告了随机梯度下降处理的每秒图像数量的训练速度。 Alex Net以大约264张图像/ s使用Cu DNN进行训练，这比使用Cu BLAS的vanilla GPU实现快40％，比使用CPU快10多倍。此外，我们注意到，尽管MATLAB开销，实现速度与Caffe相当（他们报告Cu DNN和Titan每秒253图像 - 一个比这里使用的Titan  Black略慢的GPU）。还要注意，随着模型大小的增加，SGD批次的大小必须减小（以适应GPU内存），从而增加了开销影响。

表1.2报告了使用多个GPU的VGG-VD-16（一个非常大的模型）的速度。在这种情况下，批量大小设置为264个图像。这些被进一步划分为22个图像的子批次，每个图像适合于GPU存储器;然后将后者分布在同一机器上的一至四个GPU中。虽然存在大量的通信开销，但是训练速度从20个图像/秒增加到45.解决这个开销是代码库的中期目标之一。

1.5 致谢

　　MatConvNet是一个社区项目，因此感谢所有的贡献者。我们衷心感谢NVIDIA为此项目提供支持，为我们提供了顶级的GPU和MathWorks，以便持续讨论如何改进库。
在这个库中的几个CNN计算的实现灵感来自Caffe库[6]（然而，并不依赖于Caffe）。 几个示例网络已经由Karen
Simonyan作为[1]和[11]的一部分拿来训练。