cips-2016nlp前沿技术讲习-cnn_第1页
cips-2016nlp前沿技术讲习-cnn_第2页
cips-2016nlp前沿技术讲习-cnn_第3页
cips-2016nlp前沿技术讲习-cnn_第4页
cips-2016nlp前沿技术讲习-cnn_第5页
免费预览已结束,剩余88页可下载查看

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

ConvolutionalNeural 复旦大201673

2016年7月3日 1/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 2/前馈神经网

输入 隐藏 隐藏层输出y图:

2016年7月3日 3/全连接

相邻两层的任何两个不同层神经元之间都存在连n(l−1)个神经元,连接边有n(l)n(l−1)个,也就是权重矩n(ln(l−1)个参数。mn都很大时,权重矩阵的参数非常

2016年7月3日 4/卷积神经网

网络。卷积神经网络是受生物学上感受野(ReceptiveField)的机制11D.H.HubelandT.N.Wiesel.“Receptivefieldsandfunctionalarchitectureofmonkeystriatecortex”.In:TheJournalofphysiology1(1968).

2016年7月3日 5/卷积神经网

卷积神经网络有三个结构上的特性1局部连2权重共3空间或时间上的次采 recognition”.In:ProceedingsoftheIEEE11

2016年7月3日 6/ 卷列t=1···n,和滤波器ft,t=1···m,一般情况下滤波器的长度m远小于信号序列长度n。卷积的输出为yt fk·xt−k+1k当滤波ft=1/m时,卷积相当于信号序列的移动平均

2016年7月3日 7/一维卷积示

Filter:[−1,0,012101210

2016年7月3日 8/一维卷积示

Filter:[−1,0, 012101210

2016年7月3日 9/一维卷积示

Filter:[−1,0, 012101210

2016年7月3日 10/一维卷积示

Filter:[−1,0, 012101210

2016年7月3日 11/一维卷积示

Filter:[−1,0, 012101210

2016年7月3日 12/ 窄卷积、宽卷积、等长卷卷积的结果按输出长度不同可以分为两类窄卷积:输出长n−m+1,不补零宽卷积:输出长n+m−1,对于不[1n]范围之外xt用零paddingPadding=m-]padding在这里除了特 ,我们一般说的卷积默认为窄卷积

2016年7月3日 13/两端填补

2016年7月3日 14/一维卷积示

2016年7月3日 15/一维卷积示

0 1 2 1 01210

2016年7月3日 16/一维卷积示

2016年7月3日 17/两维卷

两维卷积经常用在图像处理中给定一个图xij1≤i≤M,1≤j≤N,和滤波fij1≤i≤1≤j≤nmMnN。yij fuv·xi−u+1,j−v+1 u=1v=1。在图像处理中,常用的均值滤波(meanfilter)就是当前位置的像素。

2016年7月3日 18/两维卷积示例

3图像来源

2016年7月 2016年7月3 卷积层:用卷积来代替全连

2016年7月3日 20/ 卷积层:用卷积来代替全连如果采用卷积来代替全连接,第l层的每一个神经元都只和l−1层i个神经元的输入定义为:a(l)= w(l)·

+ = ·= ·(i+m−1):i

+ 其中,w(l)∈Rm为m维的滤波器 = ,···,a(l)]T(i+m−1):i (i+m−1) )

2016年7月3日 21/ 卷积层:用卷积来代替全连上述公式也可以写为a(l)=f(w(l)⊗a(l−1)+ ⊗表示卷积运算从公式5可以看出,w(l)对于所有的神经元都是相同的。这也是卷积层参数。另外,第l+1层的神经元个数不是任意选择的,而是满足n(l+1)=n(l)−m+1

2016年7月3日 22/二维卷积

需要二维卷积。假x(l)R(wl×hl)和x(l−1)R(wl−1×hl−1)分别是第l层和第l1层的神经元活性。X(l)的每一个元素为:Xs,t=

∑u

i=1 个数(wlhl),并且wl=wl−1u+1,hl=hl−1v+1。也可以写为 X(l)=fW(l)⊗X(l−1)+b(l)

2016年7月3日 23/特征映

为了增强卷积层的表示能力,我们可以使用K个不同的滤波器来得到K组输出。每一组输出都共 Map

2016年7月3日 24/特征映

不失一般性,我们假设第l−1层的特征映射组数为nl−1,每组特征映射的大小为ml−1=wl−1hl−1。第l1层的总神经元数:nl−1ml−1。第l层的特征映射组数为nl。如果假设第l层的每一组特征映射X(l,k)第l层的第k组特征映射X(l,k)为:X

= W(l,k,p)⊗X +

其中,W(l,k,p)表示l1层的p组特征向量到l层的k组特

2016年7月3日 25/两维卷积层的映射关

偏b输 特征映射

特征

2016年7月3日 26/连接

第l层的每一组特征映射都依赖于第l层的所有特征映射,相当于不同 连接关系。如果第l层的第k组特征映射依赖于前一层的第p组特征映射,则Tp,k=1,否则为0。X(l,k)=

p,k

(W(l,k,p)⊗

+

么共需要K(uv)+nl参数。

2016年7月3日 27/两维卷积层示

2016年7月3日 28/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 29/子采样

(Subsampling

2016年7月3日 30/子采样

对于卷积层得到的一个特征映射X(l),我们可以将X(l)划分为很多区域Rk,k=1···K,这些区域可以,也可以不。一个子采样函数down(···)定义为:X(l+1)=f(Z(l+1) ( =fw(l+1)·down(Rk)+

其中,w(l+1)和b(l+1)

2016年7月3日 31/子采样

X(l+1)=(

)=fw(l+1)·down(Xl)+b(l+1) )子采样函数down(·)一般是取区域内所有神经元的最大值( Poolingpoolmax(Rk)=max (R)=1∑a

2016年7月3日 32/子采样层示例

2016年7月3日 33/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 34/卷积神经网络示例:LeNet-基于LeNet-5的手写数字识别系统在90年代被很多银行使用,用来识别支票上面的手写数字。LeNet-5的网络结构如图7所示。

2016年7月3日 35/LeNet-

输入层:输入图像大小3232=1024C1层:这一层是卷积层。滤波器的大小55=256波器6组大小2828=784的特征映射。因此,C1神经元个数6784=4704。可训练参数个数625+6=156。连接数为156784=122304(包括偏置在内

2016年7月3日 36/LeNet-

S2层:这一层为子采样层。C1层每组特征映射中22邻域1414=196。可训练参数个数为6(1+1)=126196(4+1)=122304(包括偏置的连接

2016年7月3日 37/LeNet-

C3层:这一层是卷积层。由于S2层也有多组特征映射,需要接表有60个滤波器,大小是55=25。16组大小为1010=100的特征映射。C316100=1600。可训练参数个数为(6025+16151600

2016年7月3日 38/LeNet-

C36S23连续子集再接下来的3个特征映射依赖于S2层的特征映射的每4个不连续

2016年7月3日 39/LeNet-

S4层:这一层是一个子采样层22邻域点次采1个点16组55大小的特征映射。可训练参数个数162=32连接数为16(4+1)=2000

2016年7月3日 40/LeNet-

1C5层:是一个卷积层120组大小11的特征映射特征映射S4层的全部特征映射相连。有12016=1920个滤5525。C5120,可训练参数个数为192025+120=48120。连接数为120(1625+1)=481202F6层:是一个全连接层84个神经元,可训练参数个数84(120+1)=10164。连接数和可训练参数个数相同10,164310个欧氏径向基函数(RadialBasisRBF)函数组成。这里不再详

2016年7月3日 41/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 42/梯度计

)δ(l)∂J(W,b;x,ll

2016年7月3日 43/卷积层的梯

我们假定卷积层l层,子采样层l+1+卷积层(上一层)的相应特征映射的一个区l层的k个特征映射中的每个神经元都有一条l+1层的k个X(l,k)=(

)Z(l+1,k)=

w(l+1)·down(Xl)+b(l+1,k)

2016年7月3日 44/卷积层的梯

根据链式法则l层的一个特征映射的误δ(l,k),只需要l+1层对应特征映射的误差项δ(l+1,k)进行上采样操作(和第l层的大小一样再和l层特征映射的激活值偏导数逐元素相乘,再乘上权重w(l+1,k)),就得到了δ(l,k)。l层的k个特征映射的误差δ(l,k)的具体推导过程如下δ(l,k)∂J(W,b;X, (=∂Z(l,k)·(

·∂J(W,b;X,

l=f′(Z(l))⊙upw(l+1,k)l

l l=w(l+1,k

f′(Z(l))⊙up(δ(l+1))

(Upsampling

2016年7月3日 45/卷积层的梯

第k个特征映射神经元滤波W(l,k,p)的∂J(W,b;X,∂W

=

XXs−i+u,t−j+v

s=1t=1=

XX(u−i)−s,(v−j)−t

·rot180

s=1t=1

2016年7月3日 46/卷积层的梯

公式25也刚好是卷积形式,因此目标函数关于第l层的第k个特征映神经元滤波器W(l,k,p)∂J(W,b;X,

=rot180X(l−1,p)⊗rot180(δ(l,k)) 目标函数关于l层的k个特征映射的偏b(l)的梯度可以写为∂J(W,b;X, =

2016年7月3日 47/子采样层的梯

+作,l+1层的一个神经元的误差项δ对应于卷积层(上一层)的相应∑Z(l+1,k)Tp,k=1

W

⊗X +

l层的k个特征映射的误差δ(l,k)的具体推导过程如下δ(l,k)∂J(W,b;X,

∑

∂J(W,b;X,

)l=f′(Z(l))l

δ(l+1,p)k=1 k=1

2016年7月3

48/子采样层的梯

神经元滤波器W(l,k,p)的梯度可以写为:∂J(W,b;X,

∑ down(X(l−1,k))·

目标函数关于l层的k个特征映射的偏b(l)的梯度可以写为∂J(W,b;X, =

2016年7月3日 49/LargeScaleVisualRecognition

2016年7月3日 50/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 51/数据集:CIFAR-

2016年7月3日 52/数据集12J.Dengetal.“Imagenet:Alarge-scalehierarchicalimagedatabase”.In:ComputerVisionandPatternRecognition,2009.CVPR2009.IEEEConferenceon.IEEE.2009,pp.248–255. 2016年7月3日 53/CNN示例

2016年7月 2016年7月3

典型CNNwith26%error)8层,其中5层卷积层,后3层全连接层最后的一层的输出是具有1000个输出的softmax

2016年7月3日 55/

典型CNN参数 Net:4MVS15C.Szegedyetal.“Goingdeeperwithconvolutions”.In:ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2015,pp.1–9.

2016年7月3日 56/

典型CNN错误率16R.K.Srivastava,K.Greff,andJ. idhuber.“Highwaynetworks”.In:arXivpreprintarXiv:1505.0038717K.Heetal.“DeepResidualLearningforImageRecognition”.In:arXivpreprintarXiv:1512.03385 2016年7月3日 57/

典型CNN18Heetal.,“DeepResidualLearningforImage 2016年7月3日 58/CNN可视化:t-SNE投影

CNNILSVRC201250,000张图用t-SNE投影到 (L2距离

2016年7月3日 59/CNN可视化:滤波器

CNNAlexNet中的滤波器(96filters

2016年7月3日 60/CNN可视化:遮挡

CNN

2016年7月3日 61/CNN可视化:神经元激活

CNN

2016年7月3日 62/ CNN可视戏弄深度网络:对抗样本 examples2323C.Szegedyetal.“Intriguingpropertiesofneuralnetworks”.In:arXivpreprintarXiv:1312.6199

2016年7月3日 63/戏弄深度网络:噪声图像

CNN

2016年7月 2016年7月3 自动产生图像

CNN25A.Dosovitskiy,J.TobiasSpringenberg,andT.Brox.“Learningtogeneratechairswithconvolutionalneuralnetworks”.ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2015,pp. 2016年7月3 自动产生图

CNN生成过渡图像 2016年7月3日 66/自动产生图

CNN椅子加减法 2016年7月3日 67/DeepDream

CNN

2016年7月3日 68/DeepDream

CNN 2016年7月3日 69/

CNN

2016年7月3日 70/

CNN

2016年7月3日 71/DeepMind’sAlphaGo

CNN

2016年7月3日 72/DeepMind’s

CNN分布式系统:1202CPU176单机版:48个CPU和8块 27D.Silveretal.“MasteringthegameofGowithdeepneuralnetworksandtreesearch”.In:Nature7587

2016年7月3日 73/大卷积卷积神经网络示梯度计典型CNN网络CNN可视化应

2016年7月3日 74/ 基于卷积神经网络的句子表示建输入:长度n的句子第一步,LookupX=[x1x2···xn然后子采

2016年7月3日 75/ 基于卷积神经网络的句子表示建输入:长度n的句子第一步,LookupX=[x1x2···xn然后子采

2016年7月3日 76/ 基于卷积神经网络的句子表示建输入:长度n的句子第一步,LookupX=[x1x2···xn然后子采

2016年7月3日 77/ 基于卷积神经网络的句子表示建输入:长度n的句子第一步,LookupX=[x1x2···xn然后子采

2016年7月3日 78/ 基于卷积神经网络的句子表示建输入:长度n的句子第一步,LookupX=[x1x2···xn然后子采

2016年7月3日 79/Collobert模型

关键步二维卷zt:t+m−1xt⊕xt+1⊕xt+m−1∈矩阵-向量乘txl=f(Wlzt:t+m−1+txl=maxt 28R.Collobertetal.“Naturallanguageprocessing(almost)fromscratch”.In:TheJournalofMachineLearning

2016年7月3日 80/Kim模型

关键步二维卷zt:t+m−1=xt⊕xt+1⊕xt+m−1∈向量-向量乘txl=f(wlzt:t+m−1+t多滤波器、多通 xl=maxt

2016年7月3日 81/Zhang模型

2016年7月3日 82/ Kalchbrenner模型(动态卷积神经网络31关键步一维卷xl=f(wlxi,t:t+m−1+ kl=max(ktop,|L−l|(可 多滤波器、多通31N.Kalchbrenner,E.Grefenstette,andP.Blunsom.“AConvolutionalNeuralNetworkforModellingSentences”.ProceedingsofACL.

2016年7月3日 83/Hu模型

关键步二维卷zt:t+m−1=xt⊕xt+1⊕xt+m−1∈矩阵-向量乘x=f(Wx=f(W

+xl=

,xl−1 InformationProcessingSystems.2014. 2016年7月3日 84/ 应自机器翻

2016年7月3日 85/ 基于字符的文本分类共

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论