述

圖像相比文字能夠提供更加生動、容易理解及更具藝術感的信息，圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。圖像分類在安防、交通、互聯網、醫學等領域有著廣泛的應用。

一般來說，圖像分類通過手工提取特征或特征學習方法對整個圖像進行全部描述，然后使用分類器判別物體類別，因此如何提取圖像的特征至關重要?；谏疃葘W習的圖像分類方法，可以通過有監督或無監督的方式學習層次化的特征描述，從而取代了手工設計或選擇圖像特征的工作。

深度學習模型中的卷積神經網絡(Convolution Neural Network, CNN) 直接利用圖像像素信息作為輸入，最大程度上保留了輸入圖像的所有信息，通過卷積操作進行特征的提取和高層抽象，模型輸出直接是圖像識別的結果。這種基于"輸入-輸出"直接端到端的學習方法取得了非常好的效果。

本教程主要介紹圖像分類的深度學習模型，以及如何使用PaddlePaddle在CIFAR10數據集上快速實現CNN模型。

項目地址：

http://paddlepaddle.org/documentation/docs/zh/1.3/beginners_guide/basics/image_classification/index.html

基于ImageNet數據集訓練的更多圖像分類模型，及對應的預訓練模型、finetune操作詳情請參照Github：

https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/image_classification/README_cn.md

效果

圖像分類包括通用圖像分類、細粒度圖像分類等。圖1展示了通用圖像分類效果，即模型可以正確識別圖像上的主要物體。

圖2展示了細粒度圖像分類-花卉識別的效果，要求模型可以正確識別花的類別。

一個好的模型既要對不同類別識別正確，同時也應該能夠對不同視角、光照、背景、變形或部分遮擋的圖像正確識別(這里我們統一稱作圖像擾動)。圖3展示了一些圖像的擾動，較好的模型會像聰明的人類一樣能夠正確識別。

模型概覽：CNN

傳統CNN包含卷積層、全連接層等組件，并采用softmax多類別分類器和多類交叉熵損失函數，一個典型的卷積神經網絡如圖4所示，我們先介紹用來構造CNN的常見組件。

? 卷積層(convolution layer): 執行卷積操作提取底層到高層的特征，發掘出圖片局部關聯性質和空間不變性質。

? 池化層(pooling layer): 執行降采樣操作。通過取卷積輸出特征圖中局部區塊的最大值(max-pooling)或者均值(avg-pooling)。降采樣也是圖像處理中常見的一種操作，可以過濾掉一些不重要的高頻信息。

? 全連接層(fully-connected layer，或者fc layer): 輸入層到隱藏層的神經元是全部連接的。

? 非線性變化: 卷積層、全連接層后面一般都會接非線性變化函數，例如Sigmoid、Tanh、ReLu等來增強網絡的表達能力，在CNN里最常使用的為ReLu激活函數。

? Dropout [1] : 在模型訓練階段隨機讓一些隱層節點權重不工作，提高網絡的泛化能力，一定程度上防止過擬合。

接下來我們主要介紹VGG，ResNet網絡結構。

1、VGG

牛津大學VGG(Visual Geometry Group)組在2014年ILSVRC提出的模型被稱作VGG模型[2] 。該模型相比以往模型進一步加寬和加深了網絡結構，它的核心是五組卷積操作，每兩組之間做Max-Pooling空間降維。同一組內采用多次連續的3X3卷積，卷積核的數目由較淺組的64增多到最深組的512，同一組內的卷積核數目是一樣的。卷積之后接兩層全連接層，之后是分類層。由于每組內卷積層的不同，有11、13、16、19層這幾種模型，下圖展示一個16層的網絡結構。

VGG模型結構相對簡潔，提出之后也有很多文章基于此模型進行研究，如在ImageNet上首次公開超過人眼識別的模型[4]就是借鑒VGG模型的結構。

2、ResNet

ResNet(Residual Network) [3] 是2015年ImageNet圖像分類、圖像物體定位和圖像物體檢測比賽的冠軍。針對隨著網絡訓練加深導致準確度下降的問題，ResNet提出了殘差學習方法來減輕訓練深層網絡的困難。在已有設計思路(BN, 小卷積核，全卷積網絡)的基礎上，引入了殘差模塊。每個殘差模塊包含兩條路徑，其中一條路徑是輸入特征的直連通路，另一條路徑對該特征做兩到三次卷積操作得到該特征的殘差，最后再將兩條路徑上的特征相加。

殘差模塊如圖7所示，左邊是基本模塊連接方式，由兩個輸出通道數相同的3x3卷積組成。右邊是瓶頸模塊(Bottleneck)連接方式，之所以稱為瓶頸，是因為上面的1x1卷積用來降維(圖示例即256->64)，下面的1x1卷積用來升維(圖示例即64->256)，這樣中間3x3卷積的輸入和輸出通道數都較小(圖示例即64->64)。

3、數據準備

由于ImageNet數據集較大，下載和訓練較慢，為了方便大家學習，我們使用CIFAR10數據集。CIFAR10數據集包含60,000張32x32的彩色圖片，10個類別，每個類包含6,000張。其中50,000張圖片作為訓練集，10000張作為測試集。圖11從每個類別中隨機抽取了10張圖片，展示了所有的類別。

Paddle API提供了自動加載cifar數據集模塊paddle.dataset.cifar。

通過輸入python train.py，就可以開始訓練模型了，以下小節將詳細介紹train.py的相關內容。

模型結構

1、Paddle 初始化

讓我們從導入Paddle Fluid API 和輔助模塊開始。

from __future__ import print_function
import os
import paddle
import paddle.fluidas fluid
import numpy
import sys
from vgg import vgg_bn_drop
from resnet import resnet_cifar10

本教程中我們提供了VGG和ResNet兩個模型的配置。

2、VGG

首先介紹VGG模型結構，由于CIFAR10圖片大小和數量相比ImageNet數據小很多，因此這里的模型針對CIFAR10數據做了一定的適配。卷積部分引入了BN和Dropout操作。VGG核心模塊的輸入是數據層，vgg_bn_drop定義了16層VGG結構，每層卷積后面引入BN層和Dropout層，詳細的定義如下：

def vgg_bn_drop(input):
 def conv_block(ipt, num_filter, groups, dropouts):
 return fluid.nets.img_conv_group(
 input=ipt,
 pool_size=2,
 pool_stride=2,
 conv_num_filter=[num_filter] * groups,
 conv_filter_size=3,
 conv_act='relu',
 conv_with_batchnorm=True,
 conv_batchnorm_drop_rate=dropouts,
 pool_type='max')
 conv1= conv_block(input, 64, 2, [0.3, 0])
 conv2= conv_block(conv1, 128, 2, [0.4, 0])
 conv3= conv_block(conv2, 256, 3, [0.4, 0.4, 0])
 conv4= conv_block(conv3, 512, 3, [0.4, 0.4, 0])
 conv5= conv_block(conv4, 512, 3, [0.4, 0.4, 0])
 drop= fluid.layers.dropout(x=conv5, dropout_prob=0.5)
 fc1= fluid.layers.fc(input=drop, size=512, act=None)
 bn= fluid.layers.batch_norm(input=fc1, act='relu')
 drop2= fluid.layers.dropout(x=bn, dropout_prob=0.5)
 fc2= fluid.layers.fc(input=drop2, size=512, act=None)
 predict= fluid.layers.fc(input=fc2, size=10, act='softmax')
 return predict

首先定義了一組卷積網絡，即conv_block。卷積核大小為3x3，池化窗口大小為2x2，窗口滑動大小為2，groups決定每組VGG模塊是幾次連續的卷積操作，dropouts指定Dropout操作的概率。所使用的img_conv_group是在paddle.fluit.net中預定義的模塊，由若干組Conv->BN->ReLu->Dropout 和一組Pooling 組成。

五組卷積操作，即5個conv_block。第一、二組采用兩次連續的卷積操作。第三、四、五組采用三次連續的卷積操作。每組最后一個卷積后面Dropout概率為0，即不使用Dropout操作。

最后接兩層512維的全連接。

在這里，VGG網絡首先提取高層特征，隨后在全連接層中將其映射到和類別維度大小一致的向量上，最后通過Softmax方法計算圖片劃為每個類別的概率。

3、ResNet

ResNet模型的第1、3、4步和VGG模型相同，這里不再介紹。主要介紹第2步即CIFAR10數據集上ResNet核心模塊。

先介紹resnet_cifar10中的一些基本函數，再介紹網絡連接過程。

? conv_bn_layer: 帶BN的卷積層。

? shortcut: 殘差模塊的"直連"路徑，"直連"實際分兩種形式：殘差模塊輸入和輸出特征通道數不等時，采用1x1卷積的升維操作；殘差模塊輸入和輸出通道相等時，采用直連操作。

? basicblock: 一個基礎殘差模塊，即圖9左邊所示，由兩組3x3卷積組成的路徑和一條"直連"路徑組成。

? layer_warp: 一組殘差模塊，由若干個殘差模塊堆積而成。每組中第一個殘差模塊滑動窗口大小與其他可以不同，以用來減少特征圖在垂直和水平方向的大小。

def conv_bn_layer(input,
 ch_out,
 filter_size,
 stride,
 padding,
 act='relu',
 bias_attr=False):
 tmp= fluid.layers.conv2d(
 input=input,
 filter_size=filter_size,
 num_filters=ch_out,
 stride=stride,
 padding=padding,
 act=None,
 bias_attr=bias_attr)
 return fluid.layers.batch_norm(input=tmp, act=act)
def shortcut(input, ch_in, ch_out, stride):
 if ch_in!= ch_out:
 return conv_bn_layer(input, ch_out, 1, stride, 0, None)
 else:
 return input
def basicblock(input, ch_in, ch_out, stride):
 tmp= conv_bn_layer(input, ch_out, 3, stride, 1)
 tmp= conv_bn_layer(tmp, ch_out, 3, 1, 1, act=None, bias_attr=True)
 short= shortcut(input, ch_in, ch_out, stride)
 return fluid.layers.elementwise_add(x=tmp, y=short, act='relu')
def layer_warp(block_func, input, ch_in, ch_out, count, stride):
 tmp= block_func(input, ch_in, ch_out, stride)
 for iin range(1, count):
 tmp= block_func(tmp, ch_out, ch_out, 1)
 return tmp

resnet_cifar10的連接結構主要有以下幾個過程。

底層輸入連接一層conv_bn_layer，即帶BN的卷積層。

然后連接3組殘差模塊即下面配置3組layer_warp，每組采用圖10 左邊殘差模塊組成。

最后對網絡做均值池化并返回該層。

注意：除第一層卷積層和最后一層全連接層之外，要求三組layer_warp總的含參層數能夠被6整除，即resnet_cifar10的depth 要滿足(depth - 2) % 6 = 0

def resnet_cifar10(ipt, depth=32):
 # depth should be one of 20, 32, 44, 56, 110, 1202
 assert (depth- 2) % 6== 0
 n= (depth- 2) // 6
 nStages= {16, 64, 128}
 conv1= conv_bn_layer(ipt, ch_out=16, filter_size=3, stride=1, padding=1)
 res1= layer_warp(basicblock, conv1, 16, 16, n, 1)
 res2= layer_warp(basicblock, res1, 16, 32, n, 2)
 res3= layer_warp(basicblock, res2, 32, 64, n, 2)
 pool= fluid.layers.pool2d(
 input=res3, pool_size=8, pool_type='avg', pool_stride=1)
 predict= fluid.layers.fc(input=pool, size=10, act='softmax')
 return predict

4、Infererence配置

網絡輸入定義為data_layer(數據層)，在圖像分類中即為圖像像素信息。CIFRAR10是RGB 3通道32x32大小的彩色圖，因此輸入數據大小為3072(3x32x32)。

def inference_network():
 # The image is 32 * 32 with RGB representation.
 data_shape = [3, 32, 32]
 images = fluid.layers.data(name='pixel', shape=data_shape, dtype='float32')
 predict = resnet_cifar10(images, 32)
 # predict = vgg_bn_drop(images) # un-comment to use vgg net
return predict	

5、Train 配置

然后我們需要設置訓練程序train_network。它首先從推理程序中進行預測。在訓練期間，它將從預測中計算avg_cost。在有監督訓練中需要輸入圖像對應的類別信息，同樣通過fluid.layers.data來定義。訓練中采用多類交叉熵作為損失函數，并作為網絡的輸出，預測階段定義網絡的輸出為分類器得到的概率信息。

注意:訓練程序應該返回一個數組，第一個返回參數必須是avg_cost。訓練器使用它來計算梯度。

def train_network(predict):
 label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 cost = fluid.layers.cross_entropy(input=predict, label=label)
 avg_cost = fluid.layers.mean(cost)
 accuracy = fluid.layers.accuracy(input=predict, label=label)
return [avg_cost, accuracy]

6、Optimizer 配置

在下面的Adam optimizer，learning_rate是學習率，與網絡的訓練收斂速度有關系。

def optimizer_program():
 return fluid.optimizer.Adam(learning_rate=0.001)

7、訓練模型

-1）Data Feeders 配置

cifar.train10()每次產生一條樣本，在完成shuffle和batch之后，作為訓練的輸入。

# Each batch will yield 128 images
BATCH_SIZE= 128
# Reader for training
 train_reader = paddle.batch(
 paddle.reader.shuffle(
 paddle.dataset.cifar.train10(), buf_size=128 * 100),
 batch_size=BATCH_SIZE)
# Reader for testing. A separated data set for testing.
 test_reader = paddle.batch(
 paddle.dataset.cifar.test10(), batch_size=BATCH_SIZE)

-2）Trainer 程序的實現

我們需要為訓練過程制定一個main_program, 同樣的，還需要為測試程序配置一個test_program。定義訓練的place，并使用先前定義的優化器。

 place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
 feed_order = ['pixel', 'label']
 main_program = fluid.default_main_program()
 star_program = fluid.default_startup_program()
 predict = inference_network()
avg_cost, acc = train_network(predict)
# Test program
 test_program = main_program.clone(for_test=True)
 optimizer = optimizer_program()
 optimizer.minimize(avg_cost)
 exe = fluid.Executor(place)
 EPOCH_NUM = 1
# For training test cost
 def train_test(program, reader):
 count = 0
 feed_var_list = [
 program.global_block().var(var_name) for var_name in feed_order
 ]
 feeder_test = fluid.DataFeeder(feed_list=feed_var_list, place=place)
 test_exe = fluid.Executor(place)
 accumulated = len([avg_cost, acc]) * [0]
 for tid, test_data in enumerate(reader()):
 avg_cost_np = test_exe.run(
 program=program,
 feed=feeder_test.feed(test_data),
 fetch_list=[avg_cost, acc])
 accumulated = [
 x[0] + x[1][0] for x in zip(accumulated, avg_cost_np)
 ]
 count += 1
 return [x / count for x in accumulated]

-3）訓練主循環以及過程輸出

在接下來的主訓練循環中，我們將通過輸出來來觀察訓練過程，或進行測試等。

# main train loop.
 def train_loop():
 feed_var_list_loop = [
 main_program.global_block().var(var_name) for var_name in feed_order
 ]
 feeder = fluid.DataFeeder(feed_list=feed_var_list_loop, place=place)
 exe.run(star_program)
 step = 0
 for pass_id in range(EPOCH_NUM):
 for step_id, data_train in enumerate(train_reader()):
 avg_loss_value = exe.run(
 main_program,
 feed=feeder.feed(data_train),
 fetch_list=[avg_cost, acc])
 if step_id % 100 == 0:
 print("\nPass %d, Batch %d, Cost %f, Acc %f" % (
 step_id, pass_id, avg_loss_value[0], avg_loss_value[1]))
 else:
 sys.stdout.write('.')
 sys.stdout.flush()
 step += 1
 avg_cost_test, accuracy_test = train_test(
 test_program, reader=test_reader)
 print('\nTest with Pass {0}, Loss {1:2.2}, Acc {2:2.2}'.format(
 pass_id, avg_cost_test, accuracy_test))
 if params_dirname is not None:
 fluid.io.save_inference_model(params_dirname, ["pixel"],
 [predict], exe)
train_loop()

-4）訓練

通過trainer_loop函數訓練, 這里我們只進行了2個Epoch, 一般我們在實際應用上會執行上百個以上Epoch

注意:CPU，每個Epoch 將花費大約15～20分鐘。這部分可能需要一段時間。請隨意修改代碼，在GPU上運行測試，以提高訓練速度。

train_loop()

一輪訓練log示例如下所示，經過1個pass，訓練集上平均Accuracy 為0.59 ，測試集上平均Accuracy 為0.6 。

Pass 0, Batch 0, Cost 3.869598, Acc 0.164062

...................................................................................................

Pass 100, Batch 0, Cost 1.481038, Acc 0.460938

...................................................................................................

Pass 200, Batch 0, Cost 1.340323, Acc 0.523438

...................................................................................................

Pass 300, Batch 0, Cost 1.223424, Acc 0.593750

..........................................................................................

Test with Pass 0, Loss 1.1, Acc 0.6

圖13是訓練的分類錯誤率曲線圖，運行到第200個pass后基本收斂，最終得到測試集上分類錯誤率為8.54%。

應用模型

可以使用訓練好的模型對圖片進行分類，下面程序展示了如何加載已經訓練好的網絡和參數進行推斷。

1、生成預測輸入數據

dog.png是一張小狗的圖片. 我們將它轉換成numpy數組以滿足feeder的格式.

from PIL import Image
 def load_image(infer_file):
 im = Image.open(infer_file)
 im = im.resize((32, 32), Image.ANTIALIAS)
 im = numpy.array(im).astype(numpy.float32)
 # The storage order of the loaded image is W(width),
 # H(height), C(channel). PaddlePaddle requires
 # the CHW order, so transpose them.
 im = im.transpose((2, 0, 1)) # CHW
 im = im / 255.0
 # Add one dimension to mimic the list format.
 im = numpy.expand_dims(im, axis=0)
 return im
 cur_dir = os.path.dirname(os.path.realpath(__file__))
 img = load_image(cur_dir + '/image/dog.png')

2、Inferencer 配置和預測

與訓練過程類似，inferencer需要構建相應的過程。我們從params_dirname加載網絡和經過訓練的參數。我們可以簡單地插入前面定義的推理程序?，F在我們準備做預測。

place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
 exe = fluid.Executor(place)
inference_scope = fluid.core.Scope()
 with fluid.scope_guard(inference_scope):
 # Use fluid.io.load_inference_model to obtain the inference program desc,
 # the feed_target_names (the names of variables that will be feeded
 # data using feed operators), and the fetch_targets (variables that
 # we want to obtain data from using fetch operators).
 [inference_program, feed_target_names,
 fetch_targets] = fluid.io.load_inference_model(params_dirname, exe)
 # The input's dimension of conv should be 4-D or 5-D.
 # Use inference_transpiler to speedup
 inference_transpiler_program = inference_program.clone()
 t = fluid.transpiler.InferenceTranspiler()
 t.transpile(inference_transpiler_program, place)
 # Construct feed as a dictionary of {feed_target_name: feed_target_data}
 # and results will contain a list of data corresponding to fetch_targets.
 results = exe.run(
 inference_program,
 feed={feed_target_names[0]: img},
 fetch_list=fetch_targets)
 transpiler_results = exe.run(
 inference_transpiler_program,
 feed={feed_target_names[0]: img},
 fetch_list=fetch_targets)
 assert len(results[0]) == len(transpiler_results[0])
 for i in range(len(results[0])):
 numpy.testing.assert_almost_equal(
 results[0][i], transpiler_results[0][i], decimal=5)
 # infer label
 label_list = [
 "airplane", "automobile", "bird", "cat", "deer", "dog", "frog",
 "horse", "ship", "truck"
 ]
 print("infer results: %s" % label_list[numpy.argmax(results[0])])

總結

傳統圖像分類方法由多個階段構成，框架較為復雜，而端到端的CNN模型結構可一步到位，而且大幅度提升了分類準確率。本文我們首先介紹VGG、ResNet兩個經典的模型；然后基于CIFAR10數據集，介紹如何使用PaddlePaddle配置和訓練CNN模型；最后介紹如何使用PaddlePaddle的API接口對圖片進行預測和特征提取。對于其他數據集比如ImageNet，配置和訓練流程是同樣的。請參照Github

https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/image_classification/README_cn.md。

參考文獻

[1] G.E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R.R. Salakhutdinov. Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580, 2012.

[2] K. Chatfield, K. Simonyan, A. Vedaldi, A. Zisserman. Return of the Devil in the Details: Delving Deep into Convolutional Nets. BMVC, 2014。

[3] K. He, X. Zhang, S. Ren, J. Sun. Deep Residual Learning for Image Recognition. CVPR 2016.

[4] He, K., Zhang, X., Ren, S., and Sun, J. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. ArXiv e-prints, February 2015.

[5] http://deeplearning.net/tutorial/lenet.html

[6] https://www.cs.toronto.edu/~kriz/cifar.html

[7] http://cs231n.github.io/classification/