Theano3.7-练习之堆叠消噪自动编码器
来自:http://deeplearning.net/tutorial/SdA.html#sda
Stacked Denoising Autoencoders (SdA)
note:这部分需要读者读过 (Theano3.3-练习之逻辑回归)和(Theano3.4-练习之多层感知机)。另外会使用到的theano函数和概念: T.tanh, shared
variables, basic
arithmetic ops, T.grad, Random
numbers,floatX.如果你想将代码运行在GPU上,记得看看 GPU.
note:这部分的代码下载地址 here.
堆叠消噪自动编码器(Stacked Denoising Autoencoder,SdA)是堆叠自动编码器的一个扩展 [Bengio07] 在 [Vincent08]有所介绍。
这个教程是建立在之前的一个教程 Denoising Autoencoders翻译上的。特别是如果你没有任何ae的经验的话,我们推荐你先读完之前的部分,再来这里。
一、Stacked Autoencoders
dae可以堆叠起来形成一个深层网络,只要将下一层dae的潜在表征(输出编码)前馈给当前层的输入就行了。这样一个结构的无监督预训练就是一次完成一层来实现的每一层都是作为一个独立的dae进行训练的,一旦前 层训练好了,那么就可以训练第 层了,因为我们现在可以计算下层的编码或者潜在表征了。
一旦所有的层都预训练好了,该网络就可以进行到下一个阶段了:微调。这里说的是有监督微调,即最小化在一个有监督任务上的预测误差。 所以,我们先在这个网络的顶层(也就是输出层的输出编码上)增加一个逻辑回归层。然后训练整个网络就和我们训练一个多层感知机一样 。这时候,我们只考虑每个ae的编码部分。这个阶段是有监督的,因为现在在训练的阶段,我们会用到目标类别。 (见 Multilayer
Perceptron 的多层感知机部分。)
这可以在theano中很容易的实现,并重用之前对dae定义的类。我们可以看到堆叠消噪自动编码器有两面(facade):一个ae组成的列表,和一个MLP。在预训练过程中,我们使用第一面(facade),即将模型看成是一个ae组成的列表,然后独立的训练每个ae。在训练的第二阶段,我们使用第二面(facade),这两面可以连接起来是因为:
- ae可以和MLP的sigmoid层共享参数;
- 通过MLP的中间层计算得到的潜在的表征可以作为ae的输入。
class SdA(object):
"""Stacked denoising auto-encoder class (SdA) A stacked denoising autoencoder model is obtained by stacking several
dAs. The hidden layer of the dA at layer `i` becomes the input of
the dA at layer `i+1`. The first layer dA gets as input the input of
the SdA, and the hidden layer of the last dA represents the output.
Note that after pretraining, the SdA is dealt with as a normal MLP,
the dAs are only used to initialize the weights.
""" def __init__(
self,
numpy_rng,
theano_rng=None,
n_ins=784,
hidden_layers_sizes=[500, 500],
n_outs=10,
corruption_levels=[0.1, 0.1]
):
""" This class is made to support a variable number of layers. :type numpy_rng: numpy.random.RandomState
:param numpy_rng: numpy random number generator used to draw initial
weights :type theano_rng: theano.tensor.shared_randomstreams.RandomStreams
:param theano_rng: Theano random generator; if None is given one is
generated based on a seed drawn from `rng` :type n_ins: int
:param n_ins: dimension of the input to the sdA :type n_layers_sizes: list of ints
:param n_layers_sizes: intermediate layers size, must contain
at least one value :type n_outs: int
:param n_outs: dimension of the output of the network :type corruption_levels: list of float
:param corruption_levels: amount of corruption to use for each
layer
""" self.sigmoid_layers = []
self.dA_layers = []
self.params = []
self.n_layers = len(hidden_layers_sizes) assert self.n_layers > 0 if not theano_rng:
theano_rng = RandomStreams(numpy_rng.randint(2 ** 30))
# allocate symbolic variables for the data
self.x = T.matrix('x') # the data is presented as rasterized images
self.y = T.ivector('y') # the labels are presented as 1D vector of
# [int] labels
self.sigmoid_layers 将会保存MLP面(facade)的sigmoid层,然而 self.dA_layers 将会保存和MLP层相连接的dae。
下一步,我们构建 n_layers sigmoid
层和n_layers dae,这里 n_layers 表示为模型的深度。我们使用 Multilayer
Perceptron中介绍的 HiddenLayer 类:将 tanh 非线性替换成逻辑函数 ).
通过将sigmoid层连接起来形成一个MLP,然后构建dae,使得每个共享权重矩阵和对应于sigmoid层的编码部分偏置 。
for i in xrange(self.n_layers):
# construct the sigmoidal layer # the size of the input is either the number of hidden units of
# the layer below or the input size if we are on the first layer
if i == 0:
input_size = n_ins
else:
input_size = hidden_layers_sizes[i - 1] # the input to this layer is either the activation of the hidden
# layer below or the input of the SdA if you are on the first
# layer
if i == 0:
layer_input = self.x
else:
layer_input = self.sigmoid_layers[-1].output sigmoid_layer = HiddenLayer(rng=numpy_rng,
input=layer_input,
n_in=input_size,
n_out=hidden_layers_sizes[i],
activation=T.nnet.sigmoid)
# add the layer to our list of layers
self.sigmoid_layers.append(sigmoid_layer)
# its arguably a philosophical question...
# but we are going to only declare that the parameters of the
# sigmoid_layers are parameters of the StackedDAA
# the visible biases in the dA are parameters of those
# dA, but not the SdA
self.params.extend(sigmoid_layer.params) # Construct a denoising autoencoder that shared weights with this
# layer
dA_layer = dA(numpy_rng=numpy_rng,
theano_rng=theano_rng,
input=layer_input,
n_visible=input_size,
n_hidden=hidden_layers_sizes[i],
W=sigmoid_layer.W,
bhid=sigmoid_layer.b)
self.dA_layers.append(dA_layer)
现在所需要做的就是在sigmoid层的顶部增加一个逻辑层从而得到一个 MLP.这里会用到(Theano3.3-练习之逻辑回归)中介绍的 LogisticRegression类。
# We now need to add a logistic layer on top of the MLP
self.logLayer = LogisticRegression(
input=self.sigmoid_layers[-1].output,
n_in=hidden_layers_sizes[-1],
n_out=n_outs
) self.params.extend(self.logLayer.params)
# construct a function that implements one step of finetunining # compute the cost for second phase of training,
# defined as the negative log likelihood
self.finetune_cost = self.logLayer.negative_log_likelihood(self.y)
# compute the gradients with respect to the model parameters
# symbolic variable that points to the number of errors made on the
# minibatch given by self.x and self.y
self.errors = self.logLayer.errors(self.y)
这个 SdA 类同样提供方法来为当前层中的dae生成训练函数。并返回一个列表,其中的元素 就是实现对应的第
i 层da的一步训练的函数。
def pretraining_functions(self, train_set_x, batch_size):
''' Generates a list of functions, each of them implementing one
step in trainnig the dA corresponding to the layer with same index.
The function will require as input the minibatch index, and to train
a dA you just need to iterate, calling the corresponding function on
all minibatch indexes. :type train_set_x: theano.tensor.TensorType
:param train_set_x: Shared variable that contains all datapoints used
for training the dA :type batch_size: int
:param batch_size: size of a [mini]batch :type learning_rate: float
:param learning_rate: learning rate used during training for any of
the dA layers
''' # index to a [mini]batch
index = T.lscalar('index') # index to a minibatch
为了在训练中改变被腐蚀的层或者学习率,我们将它们与theano的变量联系起来:
corruption_level = T.scalar('corruption') # % of corruption to use
learning_rate = T.scalar('lr') # learning rate to use
# begining of a batch, given `index`
batch_begin = index * batch_size
# ending of a batch given `index`
batch_end = batch_begin + batch_size pretrain_fns = []
for dA in self.dA_layers:
# get the cost and the updates list
cost, updates = dA.get_cost_updates(corruption_level,
learning_rate)
# compile the theano function
fn = theano.function(
inputs=[
index,
theano.Param(corruption_level, default=0.2),
theano.Param(learning_rate, default=0.1)
],
outputs=cost,
updates=updates,
givens={
self.x: train_set_x[batch_begin: batch_end]
}
)
# append `fn` to the list of functions
pretrain_fns.append(fn) return pretrain_fns
现在任何函数 pretrain_fns[i] 会被当作参数index 和可选的 corruption—腐蚀的程度,或者 lr—学习率。注意到
参数的名字在被构建的时候都是被传入theano 变量的名称,而不是python变量 (learning_rate 或者 corruption_level).。当使用theano的时候,这些是需要记住的。
我们以同样的风格来建立在微调的时候函数的方法 (train_fn, valid_score 和test_score).
def build_finetune_functions(self, datasets, batch_size, learning_rate):
'''Generates a function `train` that implements one step of
finetuning, a function `validate` that computes the error on
a batch from the validation set, and a function `test` that
computes the error on a batch from the testing set :type datasets: list of pairs of theano.tensor.TensorType
:param datasets: It is a list that contain all the datasets;
the has to contain three pairs, `train`,
`valid`, `test` in this order, where each pair
is formed of two Theano variables, one for the
datapoints, the other for the labels :type batch_size: int
:param batch_size: size of a minibatch :type learning_rate: float
:param learning_rate: learning rate used during finetune stage
''' (train_set_x, train_set_y) = datasets[0]
(valid_set_x, valid_set_y) = datasets[1]
(test_set_x, test_set_y) = datasets[2] # compute number of minibatches for training, validation and testing
n_valid_batches = valid_set_x.get_value(borrow=True).shape[0]
n_valid_batches /= batch_size
n_test_batches = test_set_x.get_value(borrow=True).shape[0]
n_test_batches /= batch_size index = T.lscalar('index') # index to a [mini]batch # compute the gradients with respect to the model parameters
gparams = T.grad(self.finetune_cost, self.params) # compute list of fine-tuning updates
updates = [
(param, param - gparam * learning_rate)
for param, gparam in zip(self.params, gparams)
] train_fn = theano.function(
inputs=[index],
outputs=self.finetune_cost,
updates=updates,
givens={
self.x: train_set_x[
index * batch_size: (index + 1) * batch_size
],
self.y: train_set_y[
index * batch_size: (index + 1) * batch_size
]
},
name='train'
) test_score_i = theano.function(
[index],
self.errors,
givens={
self.x: test_set_x[
index * batch_size: (index + 1) * batch_size
],
self.y: test_set_y[
index * batch_size: (index + 1) * batch_size
]
},
name='test'
) valid_score_i = theano.function(
[index],
self.errors,
givens={
self.x: valid_set_x[
index * batch_size: (index + 1) * batch_size
],
self.y: valid_set_y[
index * batch_size: (index + 1) * batch_size
]
},
name='valid'
) # Create a function that scans the entire validation set
def valid_score():
return [valid_score_i(i) for i in xrange(n_valid_batches)] # Create a function that scans the entire test set
def test_score():
return [test_score_i(i) for i in xrange(n_test_batches)] return train_fn, valid_score, test_score
注意到 valid_score 和 test_score 都不是theano函数,而是python函数,分别用在整个验证集和整个测试集上的,从而在这些集合上生成损失值列表。
二、Putting it all together
下面的代码是用来构建sda的:
numpy_rng = numpy.random.RandomState(89677)
print '... building the model'
# construct the stacked denoising autoencoder class
sda = SdA(
numpy_rng=numpy_rng,
n_ins=28 * 28,
hidden_layers_sizes=[1000, 1000, 1000],
n_outs=10
)
在训练这个网络的时候有两个阶段:逐层预训练,然后是微调。
对于预训练阶段来说,我们会在网络的所有层上进行循环。对于每一层来说,我们会使用编译后的theano函数来实现一个SGD步长,从而优化权重来减少这一层的重构误差。该函数将会被用在给定epochs pretraining_epochs的训练集上。
#########################
# PRETRAINING THE MODEL #
#########################
print '... getting the pretraining functions'
pretraining_fns = sda.pretraining_functions(train_set_x=train_set_x,
batch_size=batch_size) print '... pre-training the model'
start_time = time.clock()
## Pre-train layer-wise
corruption_levels = [.1, .2, .3]
for i in xrange(sda.n_layers):
# go through pretraining epochs
for epoch in xrange(pretraining_epochs):
# go through the training set
c = []
for batch_index in xrange(n_train_batches):
c.append(pretraining_fns[i](index=batch_index,
corruption=corruption_levels[i],
lr=pretrain_lr))
print 'Pre-training layer %i, epoch %d, cost ' % (i, epoch),
print numpy.mean(c) end_time = time.clock() print >> sys.stderr, ('The pretraining code for file ' +
os.path.split(__file__)[1] +
' ran for %.2fm' % ((end_time - start_time) / 60.))
微调循环类似于MLP中对应的操作。唯一的差别在于它使用build_finetune_functions给定的函数。
三、Running the Code
用户可以通过下面方式来运行代码:
python code/SdA.py
默认情况下,该代码对每一层运行15次预训练, batch size 为 1。对于第一层来说,腐蚀程度为0.1,第二层为 0.2,第三层为 0.3。预训练的学习率为 0.001 微调的学习率为0.1。预训练花费的时间为 585.01 分钟,也就是每一个epoch需要13分钟。微调是在444.2分钟内36个epochs下完成的,也就是每个epoch为12.34分钟。。最后得到的验证集错误率为 1.39% ,测试集的错误率为 1.3%。该实验在Intel Xeon E5430 @ 2.66GHz CPU上完成,并且是单线程的 GotoBLAS.
四、Tips and Tricks
一个提升你代码的运行时间的方法 (假设你有足够的内存可用), 就是计算如何用这个网络(从底层到k-1层)转换你的数据。即,通过训练第一层dA开始。一旦训练好了,你可以计算你数据集中的每一个数据点的隐藏单元的值,然后将这个存储作为一个新的数据集从而用来训练第2层对应的dA。一旦你训练好了第2层的dA,以之前相似的,将其作为第三层的数据集。你现在会发现,其实dAs都是相互独立训练的,然后只是对输入进行非线性转换。一旦所有的dAs都训练好了,你就可以对整个模型进行微调了。
Theano3.7-练习之堆叠消噪自动编码器的更多相关文章
- Theano3.6-练习之消噪自动编码器
来自:http://deeplearning.net/tutorial/dA.html#daa Denoising Autoencoders (dA) note:该部分假设读者已经看过(Theano3 ...
- lecture10-模型的结合与全贝叶斯学习
这是Hinton的第10课 这节课有两篇论文可以作为背景或者课外读物<Adaptive mixtures of local experts>和<Improving neural ne ...
- [Hinton] Neural Networks for Machine Learning - Bayesian
Link: Neural Networks for Machine Learning - 多伦多大学 Link: Hinton的CSC321课程笔记 Lecture 09 Lecture 10 提高泛 ...
- lecture15-自动编码器、语义哈希、图像检索
Hinton第15课,本节有课外读物<Semantic Hashing>和<Using Very Deep Autoencoders for Content-Based Image ...
- Image Restoration[Deep Image Prior]
0.背景 这篇论文是2017年11月29号第一次提交到arxiv并紧接着30号就提交了V2版本的. 近些年DCNN模型在图像生成和修复上面表现很好,大部分人认为好的原因主要是由于网络基于大量的图片训练 ...
- opencv8-GPU之相似性计算
Opencv支持GPU计算,并且包含成一个gpu类用来方便调用,所以不需要去加上什么__global__什么的很方便,不过同时这个类还是有不足的,待opencv小组的更新和完善. 这里先介绍在之前的& ...
- BRIEF算法
本文结构 为了看懂ORB特征提取算法,来看了BRIEF算法的原文,并查看了OpenCV中BRIEF的相关实现,来验证论文的解读正确与否. BRIEF论文解读 摘要 用二进制串描述局部特征,好处有二:一 ...
- paper 41:正交变换
正交变换是保持图形形状和大小不变的几何变换,包含旋转,轴对称及上述变换的复合. 几何意义 正交变换是保持图形形状和大小不变的几何变换,包含旋转,轴对称及上述变换的复合. 代数定义 欧几里得空间V的线性 ...
- matlab 小波变换
MATLAB小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1) dwt函数 功能:一维离散小波变换 格式:[cA,cD]=dwt(X,'wname') [cA,cD]=dwt(X ...
随机推荐
- CA210彩分仪校准步骤
1.menu(space key)2.space (08307009 U) 按键2次)->(EXT)3.BLUE(按键4次)->PAL4.enter5.0校准(0对准CAL(按住探头)出现 ...
- python-组合模式
源码地址:https://github.com/weilanhanf/PythonDesignPatterns 说明: 组合模式主要用来处理一类具有“容器特征”的对象——它们即充当对象又可以作为容器包 ...
- 设计模式原则(4)--Interface Segregation Principle(ISP)--接口隔离原则
作者QQ:1095737364 QQ群:123300273 欢迎加入! 1.定义: 使用多个专门的接口,而不使用单一的总接口,即客户端不应该依赖那些它不需要的接口. 2.使用场景: 类A ...
- php判断是不是移动设备
<?php function isMobile() { // 如果有HTTP_X_WAP_PROFILE则一定是移动设备 if (isset ($_SERVER['HTTP_X_ ...
- Memcached+WebApi记录
一.安装Memcached Memcached1.2.6 http://files.cnblogs.com/files/jasonduan/11465401756756.zip Memcached.C ...
- Nginx的常用功能
1.规范nginx的配置文件 在企业中我们的虚拟主机可能会很多,配置文件的内容也会有很多,这时候我们就可以规范一下我们的配置文件,把每个虚拟主机按照网站的域名或者是功能取名,放到统一的文件夹中,当然我 ...
- Python+Selenium笔记(一):环境配置+简单的例子
#环境配置基于windows操作系统 #学习selenium要有一些HTML和xpth的基础,完全不会的建议先花点时间学点基础(不然元素定位,特别是xpth可能看的有点懵) #HTML : http ...
- DataContract和DataMember的作用
数据契约(DataContract)里的DataMember特性 来源于网络,用于个人收集及备忘 数据契约(DataContract) 服务契约定义了远程访问对象和可供调用的方法,数据契约则是服务端 ...
- python的学习之路day7-socket网络编程
python基础部分学习完了,时间也已经过了两个月左右,感觉没学到什么,可能是我学习之后忘记的太多了. 由于没钱买书,要是去培训就更没钱了,所以在网上找了一本书,感觉还不错,讲的比较好,比较详细. P ...
- [转]Redis学习---Redis高可用技术解决方案总结
[原文]https://www.toutiao.com/i6591646189714670093/ 本文主要针对Redis常见的几种使用方式及其优缺点展开分析. 一.常见使用方式 Redis的几种常见 ...