数据挖掘（十）
数据挖掘（十）
文章目录
- 数据挖掘（十）
- 物体分类应用场景和目标
- 深度神经网络
- 应用
对于去欸的那个图像中的物体，我们使用像素值作为神经网络的输入值，自动找到有用的像素组合，形成更高层级的特征，然后将其用于实际的分类。
物体分类应用场景和目标
我们构建一个系统，接收图像，给出图像里面使什么物体。系统好比是自动驾驶汽车的视觉系统，能够发现道路及两侧的任何故障。我们使用CIFAR-10数据集作为图像数据来源，它含有6万张32像素见方的图像，有10种类型，每个图像都有一个RGB值。这个数据集已经分为训练集和测试集两部分，有5万张训练图像和1万张测试图片。每种类型含有1万张图片。数据集有airplane、automobile、bird、cat、deer、dog、frog、horse、ship和truck十种类型。所有图像已经转换为numpy数组。
- 我们可以查看图像数据，压缩包包含文件data_batch_1, data_batch_2等以及test_batch，这些文件使使用cPickle生成的对象。
import os
import pickle
import numpy as np
from matplotlib import pyplot as plt
# 加载CIFAR-10数据集的第一批数据
data_folder = os.path.join(os.getcwd(), 'data_mining', 'cifar-10-batches-py')
batch1_filename = os.path.join(data_folder, 'data_batch_1')
# 读取第一批图像文件数据，这些图像数据文件格式为pickle
def unpickle(filename):
with open(filename, 'rb') as fo:
# 由于数据集的pickle文件是由python2生成的，使用python3打开需要把编码设置成latin
return pickle.load(fo, encoding='latin1')
# 加载数据集，batch1是一个字典结构，包含numpy数组形式的图像数据、图像类别、文件名以及该批文件的简短说明
batch1 = unpickle(batch1_filename)
# 以data为键，从字典中渠道存储这一批图像数据的列表后，再用图像索引号就能取到其中一张图像的数据
image_index = 100
image = batch1['data'][image_index]
# 图像数据格式与matplotlib所使用的有所不同，因此显示图像前需要改变数组的形状，对矩阵进行转换，这种数据格式不会影响神经网络训练，但是绘图时需要进行数据格式转换
image = image.reshape((32, 32, 3), order='F')
image = np.rot90(image, -1)
# 创建图像对象并配置其属性，但不会显示图像，图像的分辨率很低只有32像素见方
plt.imshow(image)
- 计算机视觉技术应用范围很广。在线地图网站，自动为街景中的人脸添加模糊效果，以保护被拍摄到的人们的隐私。人脸识别技术在很多行业得到应用，比如照相机自动识别人脸以提升拍摄质量以及识别照片中的人脸等。航天工业使用计算机技术实现数据采集的自动化等等。
深度神经网络
- 深度神经网络是至少包含两层隐含层的神经网络。实际的深度神经网络通常规模很大，每层神经元数量和层次都非常多。神经网络接收很基础的特征作为输入，对于计算机视觉来说，输入为简单的像素值。神经网络算法把这些数据整合起来向网络中传输，基本的特征组合成复杂的特征。
- 神经网络规模很大，实现不好，运行时间会很长，甚至还会出现内存不足，最后无法运行的情况。基本实现可以从创建神经元类开始，多个神经元组成层类，每一层的神经元使用边这个类的一个实例连接到另一层神经元。基于类的实现，有助于显示网络的工作方式，但是对于创建大型网络，效率很低。神经网络的核心就是一系列矩阵运算。两个网络之间连接的权重可以用矩阵来表示，其中行表示第一层的神经元，列表示第二层神经元。矩阵的每个元素表示位于不同层的两个神经元之间连接的权重。
- Theano是用来创建和运行数学表达式的工具，在Theano中，我们定义函数要做什么而不是怎么做，这样它就能以最佳的方式对表达式进行求职，还可以进行延迟计算。我们可以使用Theano来定义函数，处理标量、数组和矩阵以及其他数学表达式。
# 创建计算直角三角形斜边长度的函数
import theano
from theano import tensor as T
# a和b是简单的数值类型，使用标量
a = T.dscalar()
b = T.dscalar()
# 定义输出c，c既不是函数，也不是一个数值，是由a和b组成的表达式
c = T.sqrt(a**2 + b**2)
# 告诉theano创建一个函数，接收a、b，输出c
f = theano.function([a, b], c)
f(3, 4)
- Lasagne库是用来构建神经网络的，使用Theano进行计算。Lasagne实现了集中比较新的神经网络层和组成这些层的模块。内置网络层、删除层和噪音层。使用卷积层模拟人类视觉工作原理，使用少量相互连接的神经元，分析一部分输入值，便于神经网络实现对数据的标准转换。视觉分析实验就是用卷积层对图像进行转换。神经网络使用卷积层和池化层，池化层接收某个区域最大输出值，可以降低图像中的微笑变动带来的噪音，减少信息量。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import lasagne
iris = load_iris()
X = iris.data.astype(np.float32)
# Lasagne对数据类型有特殊要求，需要把类别值住那换为int32类型
y_true = iris.target.astype(np.int32)
X_train, X_test, y_train, y_test = train_test_split(X, y_true, random_state=14)
# 创建输入层，神经元数量跟数据集特征数量相同
input_layer = lasagne.layers.InputLayer(shape=(10, X.shape[1]))
# 接着创建隐含层，从输入层接受输入
hidden_layer = lasagne.layers.DenseLayer(input_layer, num_units=12, nonlinearity=lasagne.nonlinearities.sigmoid)
# 接下来创建输出层，接收来自隐含层的输入
output_layer = lasagne.layers.DenseLayer(hidden_layer, num_units=3, nonlinearity=lasagne.nonlinearities.softmax)
- 依照Lasagne的用法，输出层作为我们的神经网络。当我们输入一条数据到神经网络时，它查看输出层，向上回溯找到向输出层提供输入的那一层。这个过程重复进行直到到达输入层，因为输入层没有上一层，所以就要把要处理的数据交给输入层处理。输入层的激活函数把接收到的数据处理后输出给调用它的层，然后再一步步在网络中传播直到输出层。
import theano
import theano.tensor as T
import numpy as np
from sklearn.metrics import f1_score
# 定义一个Theano表达式和函数，为神经网络的输入数据、输出结果和实际输出结果声明变量
net_input = T.matrix('net_input')
net_output = output_layer.get_output(net_input)
true_output = T.ivector('true_output')
# 定义损失函数，训练函数如何提升网络效果需要参考它的返回值
loss = T.mean(T.nnet.categorical_crossentropy(net_output, true_output))
# 定义修改网络权重的函数
all_params = lasagne.layers.get_all_params(output_layer)
updates = lasagne.updates.sgd(loss, all_params, learning_rate=0.1)
# 创建两个Theano函数，训练网络，然后获取网络的输出
train = theano.function([net_input, true_output], loss, updates)
get_output = theano.function([net_input], net_output)
# 调用训练函数，在训练集上进行一轮迭代，接收训练数据，预测类别，与给定类别作比较，更新特征权重以最小化损失。再进行1000此迭代，逐渐改进神经网络
for n in range(1000):
train(X_train, y_train)
# 对输出计算F值以评估分类效果，y_output为输出层每个神经元的激励作用大小，找出记录作用最高的神经元就能得到预测结果
y_output = get_output(X_test)
# y_pred数组是预测结果数组
y_pred = np.argmax(y_output, axis=1)
# 计算F1值
print(f1_score(y_test, y_pred))
- nolearn对Lasagne进行了封装，使用nolearn无法对一些细节进行调整，但是代码可读性更强，也更容易管理。nolearn实现了几种常见的复杂程度很高的神经网络。以识别图像中字母的实验为例。在nolearn中实现神经网络，只需要定义它由Lasagne哪几种类型的层组成就行。
import numpy as np
from PIL import Image, ImageDraw, ImageFont
from skimage.transform import resize
from skimage import transform as tf
from skimage.measure import label, regionprops
from sklearn.utils import check_random_state
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
from lasagne import layers, updates
from nolearn.lasagne import NeuralNet
from lasagne.nonlinearities import sigmoid, softmax
def create_captcha(text, shear=0, size=(100,24)):
im = Image.new('L', size, 'black')
draw = ImageDraw.Draw(im)
font = ImageFont.truetype(r'Coval.otf', 22)
draw.text((2, 2), text, fill=1, font=font)
image = np.array(im)
affine_tf = tf.AffineTransform(shear)
image = tf.warp(image, affine_tf)
return image/image.max()
def segment_iamge(image):
labeled_image = label(image > 0)
subimages = []
for region in regionprops(labeled_image):
start_x, start_y, end_x, end_y = region.bbox
subimages.append(image[start_x:end_x, start_y:end_y])
if len(subimages) == 0:
return [image,]
return subimages
random_state = check_random_state(14)
letters = list('ABCDEFGHIJKLMNOPQRSTUVWXYZ')
shear_values = np.arange(0, 0.5, 0.05)
def generate_sample(random_state=None):
random_state = check_random_state(random_state)
letter = random_state.choice(letters)
shear = random_state.choice(shear_values)
return create_captcha(letter, shear, size=(20, 20)), letters.index(letter)
dataset, targets = zip(*(generate_sample(random_state) for i in range(3000)))
dataset = np.array(dataset, dtype='float')
targets = np.array(targets)
onehot = OneHotEncoder()
y = onehot.fit_transform(targets.reshape(targets.shape[0], 1))
y = y.todense().astype(np.float32)
dataset = np.array([resize(segment_iamge(sample)[0], (20, 20)) for sample in dataset])
X = dataset.reshape((dataset.shape[0], dataset.shape[1]*dataset.shape[2]))
X = X/X.max()
X = X.astype(np.float32)
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.9, random_state=14)
# 创建由输入层、密集隐含层和密集输出层组成的层级结构
layers = [('input', layers.InputLayer),
('hidden', layers.DenseLayer),
('output', layers.DenseLayer),]
# 定义神经网络
net1 = NeuralNet(layers, input_shape=X.shape, hidden_num_units=100, output_num_units=26,
hidden_nonlinearity=sigmoid, output_nonlinearities=softmax, hidden_b = np.zeros((100,), dtype=np.float64),
update=updates.momentum, update_learning_rate=0.9, update_momentum=0.1, regression=True, max_epochs=1000)
net1.fit(X_train, y_train)
y_pred = net1.predict(X_test)
y_pred = y_pred.argmax(axis=1)
if len(y_test.shape) > 1:
y_test = y_test.argmax(axis=1)
print(f1_score(y_test, y_pred))
应用
- 我们使用CIFAR数据集，创建深度卷积神经网络，然后在虚拟机上使用GPU来运行。
import numpy as np
# 先把所有批次的图像文件名存储到列表中
batches = []
for i in range(1, 6):
batch_filename = os.path.join(data_folder, 'data_batch_{}'.format(i))
batches.append(unpickle(batch_filename))
# break语句是用来测试代码，减少训练数据，测试过代码能正常工作后可以删除
break
# 把每批次的图像文件添加到数据集里，vstack方法往数组末尾追加一行数据
X = np.vstack([batch['data'] for batch in batches])
# 把像素值归一化并强制为32位浮点型数据
X = np.array(X)/X.max()
X = X.astype(np.float32)
- 类别数据的处理方法类似，但是我们使用hstack函数，在数组末尾追加一列数据。然后使用OneHotEncoder把它转换为只含有一位有效编码的数组。
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
y = np.hstack(batch['labels'] for batch in batches).flatten()
y = OneHotEncoder().fit_transform(y.reshape(y.shape[0], 1)).todense()
y = y.astype(np.float32)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 调整数组形状以保留原始图像的数据结构
X_train = X_train.reshape(-1, 3, 32, 32)
X_test = X_test.reshape(-1, 3, 32, 32)
- 创建神经网络
from lasagne import layers
from nolearn.lasagne import NeuralNet
from lasagne.nonlinearities import sigmoid, softmax
from sklearn.metrics import f1_score
# 创建神经网络中的各层
layers=[
('input', layers.InputLayer),
('conv1', layers.Conv2DLayer),
('pool1', layers.MaxPool2DLayer),
('conv2', layers.Conv2DLayer),
('pool2', layers.MaxPool2DLayer),
('conv3', layers.Conv2DLayer),
('pool3', layers.MaxPool2DLayer),
('hidden4', layers.DenseLayer),
('hidden5', layers.DenseLayer),
('output', layers.DenseLayer),
]
nnet = NeuralNet(layers=layers,
input_shape=(None, 3, 32, 32),
conv1_num_filters=32,
conv1_filter_size=(3, 3),
conv2_num_filters=64,
conv2_filter_size=(2, 2),
conv3_num_filters=128,
conv3_filter_size=(2, 2),
pool1_ds=(2,2),
pool2_ds=(2,2),
pool3_ds=(2,2),
hidden4_num_units=500,
hidden5_num_units=500,
output_num_units=10,
output_nonlinearity=softmax,
update_learning_rate=0.01,
update_momentum=0.9,
regression=True,
max_epochs=3,
verbose=1)
# 训练神经网络
nnet.fit(X_train, y_train)
y_pred = nnet.predict(X_test)
print(f1_score(y_test.argmax(axis=1), y_pred.argmax(axis=1)))