婚纱网站设计图,网页设计软件培训机构,潍坊百度搜索优化,免费网站程序下载在本专栏中#xff0c;我们将讨论预训练模型。有很多模型可供选择#xff0c;因此也有很多考虑事项。
这次的专栏与以往稍有不同。我要回答的问题全部源于 MathWorks 社区论坛#xff08;ww2.mathworks.cn/matlabcentral/#xff09;的问题。我会首先总结 MATLAB Answers …在本专栏中我们将讨论预训练模型。有很多模型可供选择因此也有很多考虑事项。
这次的专栏与以往稍有不同。我要回答的问题全部源于 MathWorks 社区论坛ww2.mathworks.cn/matlabcentral/的问题。我会首先总结 MATLAB Answers 上的回答然后基于问题提出问题大家为什么会问这些问题
因此本专栏将介绍如何选择预训练模型、如何确定是否作出了正确的选择并回答关于预训练模型的三个问题
1. 训练网络时应操作数据大小还是模型输入大小
2. 为什么要在 MATLAB 中导入经过预训练的 YOLO 模型
3. 为什么要冻结预训练模型的权重 选择预训练模型
可供选择的模型非常多而且只会越来越多。这当然带来很多便利但也有些令人望而生畏我们该如何挑选又如何确定是否作出了正确的选择
与其把所有预训练模型放在一起考虑我们不妨将它们分成几类。
基本模型
这些模型架构简单可以轻松上手。这些模型通常层数较少支持预处理和训练选项的快速迭代。一旦掌握了训练模型的方法就可以开始尝试改善结果。
尝试这些模型GoogLeNet、VGG-16、VGG-19 和 AlexNet 高准确度模型
这些模型适用于基于图像的工作流如图像分类、目标检测和语义分割。大多数网络包括上述基本模型都属于此类别。与基本模型的区别在于高准确度模型可能需要更多训练时间网络结构更复杂。
尝试这些模型ResNet-50、Inception-v3、Densenet-201
目标检测工作流一般推荐基于 DarkNet-19 和 DarkNet-53 创建检测和 YOLO 类型工作流。我也见过 ResNet-50 加 Faster R-CNN 的组合因此多少有一些选择余地。我们将在之后的问题中进一步讨论目标检测。
语义分割您可以选择一个网络并将其转换为语义分割网络。也有一些专门的 Segnet 结构如 segnetLayers 和 unetLayers。 适合边缘部署的模型
当部署到硬件时模型大小变得尤为重要。此类模型内存占用量较小适合 Raspberry Pi™ 等嵌入式设备。
尝试这些模型SqueezeNet、MobileNet-v2、ShuffLeNet、NASNetMobile 以上只是一些常规原则为模型选择提供基本思路。我将从第一类模型入手之后如果需要再选择更复杂的模型。我个人觉得 AlexNet 是一个不错的起点。它的架构非常容易理解性能表现通常也不错当然也取决于具体问题。
选择模型时如何确定是否作出了正确的选择
对于您的任务来说合适的模型可能不止一个。
只要模型的准确度能满足给定任务的需求就是一个可接受的模型。至于多高的准确度意味着“可接受”则可能视应用不同而差异极大。
例如购物时某宝推荐商品出错不是什么大事但暴风雪漏报后果就很严重。
针对您的应用尝试各种预训练网络方能确保获得最准确和最稳健的模型。
当然要实现一个成功的应用网络架构只是众多因素之一。 Q1
问题 1训练网络时应操作数据大小还是模型输入大小
此问题来自论坛提问“如何在预训练模型中使用灰度图像”和“如何更改预训练模型的输入大小”。 如何在预训练模型中使用灰度图:
https://ww2.mathworks.cn/matlabcentral/answers/448360-how-we-do-transfer-learning-using-pretrained-models-with-grey-scale-images-as-input 如何更改预训练模型的输入大小:
https://ww2.mathworks.cn/matlabcentral/answers/458610-change-input-size-of-a-pre-trained-network
首先快速回顾一下模型数据输入的相关知识。
所有预训练模型都有一个预期即需要什么样的输入数据结构才能重新训练网络或基于新数据进行预测。
如果数据与模型预期不符您就可能提出这些问题。
这就带来了一个有趣的问题是要操作数据还是操作模型
最简单的方法是更改数据。
这很简单只需调整数据的大小就可以操作数据输入的大小。在 MATLAB® 中使用 imresize 命令就能做到。灰度问题也变得很简单。
彩色图像通常采用 RGB 形式包含三个层分别表示红、绿、蓝三个颜色平面。灰度图像则只包含一个层而不是三个层。只需重复灰度图像的单个层就可以创建网络所期望的输入结构原理如下图所示。 山魈照片的原始彩色图像经灰度处理的图像以及单独显示红、绿、蓝平面的图像。
这是一张色彩非常丰富的图像可以看到三个 RGB 平面看起来就像三张灰度图像它们组合在一起形成一张彩色图像。
稍微复杂一点的方法是更改模型。为什么要大费周章地操作模型而不是数据
因为现有的输入数据决定了只能这样做。
假设您的图像是 1000×1000 像素您的模型接受 10×10 像素大小的图像。如果您将图像调整到 10×10 像素就只能得到一张充满噪声的输入图像。
在这种情况下您需要更改模型的输入层而不是输入。
图像大小1000×1000 像素: 图像大小10×10 像素 我原以为对模型输入层进行操作会非常复杂但在 MATLAB 里试了试其实还好。相信我真的不复杂。您只需完成以下操作
1. 打开深度网络设计器 Deep Network Designer。
2. 选择一个预训练模型。
3. 删除当前输入层并替换为新层。这样您就可以更改输入大小。
4. 导出模型直接就能在迁移学习应用中使用。我推荐按照基本迁移学习示例进行操作:
https://ww2.mathworks.cn/help/deeplearning/ug/train-deep-learning-network-to-classify-new-images.html
整个过程非常轻松您不必手动编码即可更改预训练模型的输入大小。 Q2
问题 2为什么要在 MATLAB 中导入经过预训练的 YOLO 模型
此问题源于基于 COCO 数据集训练 YOLO v3答案很明确。背景并不复杂。 基于 COCO 数据集训练 YOLO v3
https://ww2.mathworks.cn/matlabcentral/answers/553528-yolo-v3-training-on-coco-data-set
此示例介绍如何使用 ResNet-50 训练 YOLO v2 网络以在 MATLAB 中使用:
https://ww2.mathworks.cn/help/deeplearning/ug/object-detection-using-yolo-v2.html
YOLO 是“you only look once”的缩写。
该算法有多个版本相对于 v2v3 改进了定位较小对象的功能。YOLO 从一个特征提取网络使用预训练模型如 ResNet-50 或 DarkNet-19开始然后进行定位。
YOLO v3: https://ww2.mathworks.cn/help/vision/ug/object-detection-using-yolo-v3-deep-learning.html
那么为什么要在 MATLAB 中导入经过预训练的 YOLO 模型
YOLO 是最流行的目标检测算法之一。与简单的目标识别问题相比目标检测更具挑战性。
对于目标检测面临的挑战不仅仅是识别目标还要确定其位置。
有两类目标检测器
单级检测器如 YOLO两级检测器如 Faster R-CNN。 单级检测器可以实现快速检测。这篇文档详细介绍了 YOLO v2 算法。
https://ww2.mathworks.cn/help/vision/ug/getting-started-with-yolo-v2.html 两级检测器定位和目标识别准确度高这篇文档介绍了 R-CNN 算法的基础知识。
https://ww2.mathworks.cn/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html 值得探索的目标检测应用有很多不过我强烈建议从简单的目标检测示例开始以此为基础逐步推进。 Q3 问题 3为什么要冻结预训练模型的权重
此问题源自如何冻结神经网络模型的特定权重要回答此问题我们先看一小段代码。
导入预训练网络后您可以选择通过以下方式冻结权重
冻结所有初始层
layers(1:10) freezeWeights(layers(1:10));
冻结单个层
layer.WeightLearnRateFactor 0;
冻结所有允许冻结的层
function layers freezeWeights(layers)for ii 1:size(layers,1)props properties(layers(ii));for p 1:numel(props)propName props{p};if ~isempty(regexp(propName, LearnRateFactor$, once))layers(ii).(propName) 0;endend
endend
如果该层有 LearnRateFactor则将其设置为零。其他层保持不变。
冻结权重有两个好处即您可以 加快训练速度。由于不需要计算已冻结层的梯度因此冻结多个初始层的权重可以显著加快网络训练速度。 防止过拟合。如果新数据集很小冻结较浅的网络层可以防止这些层对新数据集过拟合。
实际上您也可以将一个预训练模型的权重应用于您的模型这样不经训练也能创建一个“经过训练的”网络。查看 MATLAB 中 assembleNetwork 的说明了解如何不经训练直接基于层创建深度学习网络。
https://ww2.mathworks.cn/help/deeplearning/ref/assemblenetwork.html
最后说到权重对于类分布不平衡的分类问题可以使用加权分类输出层。请参考关于使用自定义加权分类层的示例。
