教程詳解：用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)臉部關(guān)鍵點(diǎn)（一）
加入技術(shù)交流群
”’ optimization method: ””
update=nesterov_momentum,
update_learning_rate=0.01,
update_momentum=0.9,
update_learning_rate定義了梯度下降更新權(quán)重的步長(zhǎng)。我們稍后討論學(xué)習(xí)率和momentum參數(shù)，現(xiàn)在的話，這種健全的默認(rèn)值已經(jīng)足夠了。
上圖是不同的最優(yōu)化方法的對(duì)比(animation by?Alec Radford)。星標(biāo)位置為全局最優(yōu)值。注意到不添加動(dòng)量的隨機(jī)梯度下降是收斂最慢的，我們?cè)诮坛讨袕念^到尾都是用Nesterov加速過的梯度下降。
在我們的NeuralNet的定義中，我們沒有指定一個(gè)目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)最小化。這里使用的還有一個(gè)默認(rèn)值：對(duì)于回歸問題，它是均方誤差(MSE)。
最后一組參數(shù)聲明我們正在處理一個(gè)回歸問題(而不是分類)，400是我們?cè)敢庥?xùn)練的時(shí)期數(shù)，并且我們想在訓(xùn)練期間通過設(shè)置verbose = 1：
regression=True, # flag to indicate we're dealing with regression problem
max_epochs=400, # we want to train this many epochs
verbose=1,
最后兩行加載了數(shù)據(jù)，然后用數(shù)據(jù)訓(xùn)練了我們的第一個(gè)神經(jīng)網(wǎng)絡(luò)。
X, y = load()
net1.fit(X, y)
運(yùn)行這兩行會(huì)輸出一個(gè)表格，每次完成一代就輸出一行。每一行里，我們可以看到當(dāng)前的訓(xùn)練損失和驗(yàn)證損失(最小二乘損失)，以及兩者的比率。NeuroNet將會(huì)自動(dòng)把輸入數(shù)據(jù)X分成訓(xùn)練集和測(cè)試集，用20%的數(shù)據(jù)作驗(yàn)證。(比率可以通過參數(shù)eval_size=0.2調(diào)整)
$ python kfkd.py
...
InputLayer (None, 9216) produces 9216 outputs
DenseLayer (None, 100) produces 100 outputs
DenseLayer (None, 30) produces 30 outputs
Epoch | Train loss | Valid loss | Train / Val
--------|--------------|--------------|----------------
1 | 0.105418 | 0.031085 | 3.391261
2 | 0.020353 | 0.019294 | 1.054894
3 | 0.016118 | 0.016918 | 0.952734
4 | 0.014187 | 0.015550 | 0.912363
5 | 0.013329 | 0.014791 | 0.901199
...
200 | 0.003250 | 0.004150 | 0.783282
201 | 0.003242 | 0.004141 | 0.782850
202 | 0.003234 | 0.004133 | 0.782305
203 | 0.003225 | 0.004126 | 0.781746
204 | 0.003217 | 0.004118 | 0.781239
205 | 0.003209 | 0.004110 | 0.780738
...
395 | 0.002259 | 0.003269 | 0.690925
396 | 0.002256 | 0.003264 | 0.691164
397 | 0.002254 | 0.003264 | 0.690485
398 | 0.002249 | 0.003259 | 0.690303
399 | 0.002247 | 0.003260 | 0.689252
400 | 0.002244 | 0.003255 | 0.689606
在相對(duì)較快的GPU上訓(xùn)練，我們能夠在1分鐘之內(nèi)完成400個(gè)epoch的訓(xùn)練。注意測(cè)試損失會(huì)一直減小。(如果你訓(xùn)練得足夠長(zhǎng)時(shí)間，它將會(huì)有很小很小的改進(jìn))
現(xiàn)在我們有了一個(gè)很好的結(jié)果了么?我們看到測(cè)試誤差是0.0032，和競(jìng)賽基準(zhǔn)比試一下。記住我們將目標(biāo)除以了48以將其縮放到-1到1之間，也就是說，要是想計(jì)算均方誤差和排行榜的結(jié)果比較，必須把我們上面得到的0.003255還原到原來(lái)的尺度。
>>> import numpy as np
>>> np.sqrt(0.003255) * 48
2.7385251505144153
這個(gè)值應(yīng)該可以代表我們的成績(jī)了。當(dāng)然，這得假設(shè)測(cè)試集合的數(shù)據(jù)和訓(xùn)練集合的數(shù)據(jù)符合相同的分布，但事實(shí)卻并非如此。
測(cè)試網(wǎng)絡(luò)
我們剛剛訓(xùn)練的net1對(duì)象已經(jīng)保存了訓(xùn)練時(shí)打印在控制臺(tái)桌面中的記錄，我們可以獲取這個(gè)記錄通過train_history_相關(guān)屬性，讓我們畫出這兩個(gè)曲線。
train_loss = np.array([i[train_loss] for i in net1.train_history_])
valid_loss = np.array([i[valid_loss] for i in net1.train_history_])
pyplot.plot(train_loss, linewidth=3, label=train)
pyplot.plot(valid_loss, linewidth=3, label=valid)
pyplot.grid()
pyplot.legend()
pyplot.xlabel(epoch)
pyplot.ylabel(loss)
pyplot.ylim(1e-3, 1e-2)
pyplot.yscale(log)
pyplot.show()
我們能夠看到我們的網(wǎng)絡(luò)過擬合了，但是結(jié)果還不錯(cuò)。事實(shí)上，我們找不到驗(yàn)證錯(cuò)誤開始上升的點(diǎn)，所以那種通常用來(lái)避免過擬合的early stopping方法在現(xiàn)在還沒有什么用處。注意我們沒有采用任何正則化手段，除了選擇節(jié)點(diǎn)比較少的隱層——這可以讓過擬合保持在可控范圍內(nèi)。
那么網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果是什么樣的呢?讓我們選擇一些樣例來(lái)看一看。
def plot_sample(x, y, axis):
img = x.reshape(96, 96)
axis.imshow(img, cmap='gray')
axis.scatter(y[0::2] * 48 + 48, y[1::2] * 48 + 48, marker='x', s=10)
X, _ = load(test=True)
y_pred = net1.predict(X)
fig = pyplot.figure(figsize=(6, 6))
fig.subplots_adjust(
left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)
for i in range(16):
ax = fig.add_subplot(4, 4, i + 1, xticks=[], yticks=[])
plot_sample(X[i], y_pred[i], ax)
pyplot.show()
第一個(gè)模型預(yù)測(cè)的結(jié)果(從測(cè)試集抽出了16個(gè)樣例)
預(yù)測(cè)結(jié)果看起來(lái)還不錯(cuò)，但是有點(diǎn)時(shí)候還是有一點(diǎn)偏。讓我們?cè)囍龅母靡恍?/p>
評(píng)論