第一次作业：深度学习基础

1 视频学习

1.1 绪论

1.机器学习的三要素：
　1）模型（问题建模，确定假设空间）
　2）策略（确定目标函数）
　3）算法（求解模型参数）
2.专家系统与机器学习：
　1）专家系统：基于手工规则建立专家系统，结果容易解释，但系统构建费时费力，依赖于专家主观经验，难以保证一致性和准确性；
　2）机器学习：基于数据自动学习，提高信息处理的效率且准确率较高，减少人工繁杂工作，但结果不易解释。
3.深度学习的不能：
　1）算法输出不稳定，容易被攻击；
　2）模型复杂度高，难以纠错和调试；
　3）模型层及复杂程度高，参数不透明；
　4）端到端训练方式对数据依赖性强，模型增量性差；
　5）专注直观感知类问题，对开放性推理问题无能为；
　6）人类知识无法有效引入进行监督，机器偏见难以避免。

1.2 神经网络基础

1.2.1 浅层神经网络

1.M—P神经元

• 多输入信号进行累加
• 权值wi正负模拟兴奋/抑制，大小模拟强度
• 输入和超过阈值，神经元被激活
• 激活函数：
  

2.单层感知器

• M-P神经元的权重预先设置，无法学习
• 单层感知器是首个可以学习的人工神经网络

3.万有逼近定理
　　如果一个隐层包含足够多的神经元，三层前馈神经网络（输入-隐层-输出）能以任意精度逼近预定的连续函数。
4.双隐层感知器逼近非连续函数
　　当隐层足够宽时，双隐层感知器可以逼近任意非连续函数：可以解决任何复杂的问题。

5.神经网络每一层的作用
完成输入到输出的空间变换：

• 升维/降维
• 放大/缩小
• 旋转
• 平移
• 弯曲

1.2.2 神经网络的参数学习：误差反向传播

1.梯度和梯度下降

• 参数沿负梯度方向更新可以使函数值下降
• 依赖初始值的选择
  2.三层前馈神经网络的BP算法
  前馈：某一层的输出是经过前一层的输入空间变换得到的
  反馈：利用每一层的损失向前求偏导
  

1.2.3 深层神经网络的问题：梯度消失(->"第二次落")

Sigmoid激活函数有一个饱和区，增加梯度使后面几层可以训练的很好，而前面的层不会发生变化。

1.2.4 逐层预训练

• 每次训练一个三层网络得到中间结果，再利用中间结果训练另一个三层网络，不断累加，得到最终结果
• 经过逐层预训练得到的解会相对收敛，训练会更快
• 最终一层加入监督信息来微调
• 由于前面的网络层没有很好的监督信息，所以引入受限玻尔兹曼机和自编码器
  1.自编码器
  
• 输入与输出相同
• 将input输入编码器再输入解码器得到输出
• 没有额外监督信息，自身作为监督信息
  2.受限玻尔兹曼机（RBM)
  能量分布->联合概率

2 代码练习

2.1 图像处理基本练习

1.下载并显示图像

plt.imshow(colony[:,:,:])  #显示三通道（RGB）
plt.imshow(colony[:,:,0])  #显示B通道

2.读取并改变像素值

data.camera()                  #返回一张相机的灰度图片(512 x 512)
mask = camera < 80             #图片中像素值大于80的位置对应的mask数组的值为False，其余为True
data.chelsea()                 #返回一张彩色图片猫;
reddish = cat[:, :, 0] > 160   #图片R(RGB)通道的像素值大于160的位置变为红色

3.转换图像数据类型

img_as_float    Convert to 64-bit floating point.
img_as_ubyte    Convert to 8-bit uint.
img_as_uint     Convert to 16-bit uint.
img_as_int      Convert to 16-bit int.

4.显示直方图

img = data.camera()
print(img)
plt.hist(img.ravel(), bins=256, histtype='step', color='black')  #ravel()将多维数组降维成一维

5.图像分割

# Use colony image for segmentation
colony = io.imread('yeast_colony_array.jpg')

# Plot histogram
img = skimage.color.rgb2gray(colony)          #转灰度图
plt.hist(img.ravel(), bins=256, histtype='step', color='black');

6.Canny算子用于边缘检测

from skimage.feature import canny
from scipy import ndimage as ndi
img_edges = canny(img)                        #描绘图像边缘
img_filled = ndi.binary_fill_holes(img_edges) #沿着图像边缘把图像填满

7.改变图像的对比度

#对比度拉伸
from skimage import exposure
p2, p98 = np.percentile(img, (2, 98))
img_rescale = exposure.rescale_intensity(img, in_range=(p2, p98))
plt.imshow(img_rescale, 'gray')
# 直方图均衡化
img_eq = exposure.equalize_hist(img)
plt.imshow(img_eq, 'gray')
# 局部对比度增强
img_adapteq = exposure.equalize_adapthist(img, clip_limit=0.03)
plt.imshow(img_adapteq, 'gray')

直方图均衡化：将一副图像的直方图分布变成近似均匀分布，从而增强图像的对比度。

8.结果展示

2.2 Pythorch基础练习

1.定义数据

• 一般定义数据使用torch.Tensor ， tensor的意思是张量，是数字各种形式的总称
• Tensor支持各种各样类型的数据，包括：
  torch.float32, torch.float64, torch.float16, torch.uint8, torch.int8, torch.int16, torch.int32, torch.int64

2.定义操作

• 基本运算包括： abs/sqrt/div/exp/fmod/pow ，及一些三角函数 cos/ sin/ asin/ atan2/ cosh，及 ceil/round/floor/trunc 等
• 布尔运算包括： gt/lt/ge/le/eq/ne，topk, sort, max/min
• 线性计算包括： trace, diag, mm/bmm，t，dot/cross，inverse，svd 等

2.3 螺旋分类

import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default

# 因为colab是支持GPU的，torch 将在 GPU 上运行
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('device: ', device)

# 初始化随机数种子。神经网络的参数都是随机初始化的，
# 不同的初始化参数往往会导致不同的结果，当得到比较好的结果时我们通常希望这个结果是可以复现的，
# 因此，在pytorch中，通过设置随机数种子也可以达到这个目的
seed = 12345
random.seed(seed)
torch.manual_seed(seed)

N = 1000  # 每类样本的数量
D = 2  # 每个样本的特征维度
C = 3  # 样本的类别
H = 100  # 神经网络里隐层单元的数量

device:  cuda:0

X = torch.zeros(N * C, D).to(device)
Y = torch.zeros(N * C, dtype=torch.long).to(device)
for c in range(C):
    index = 0
    t = torch.linspace(0, 1, N) # 在[0，1]间均匀的取10000个数，赋给t
    # 下面的代码不用理解太多，总之是根据公式计算出三类样本（可以构成螺旋形）
    # torch.randn(N) 是得到 N 个均值为0，方差为 1 的一组随机数，注意要和 rand 区分开
    inner_var = torch.linspace( (2*math.pi/C)*c, (2*math.pi/C)*(2+c), N) + torch.randn(N) * 0.2
    
    # 每个样本的(x,y)坐标都保存在 X 里
    # Y 里存储的是样本的类别，分别为 [0, 1, 2]
    for ix in range(N * c, N * (c + 1)):
        X[ix] = t[index] * torch.FloatTensor((math.sin(inner_var[index]), math.cos(inner_var[index])))
        Y[ix] = c
        index += 1

print("Shapes:")
print("X:", X.size())
print("Y:", Y.size())

Shapes:
X: torch.Size([3000, 2])
y: torch.Size([3000])

# visualise the data
plot_data(X, Y)

1.构建线性模型分类

learning_rate = 1e-3
lambda_l2 = 1e-5

# nn 包用来创建线性模型
# 每一个线性模型都包含 weight 和 bias
model = nn.Sequential(
    nn.Linear(D, H),
    nn.Linear(H, C)
)
model.to(device) # 把模型放到GPU上

# nn 包含多种不同的损失函数，这里使用的是交叉熵（cross entropy loss）损失函数
criterion = torch.nn.CrossEntropyLoss()

# 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)

# 开始训练
for t in range(1000):
    # 把数据输入模型，得到预测结果
    y_pred = model(X)
    # 计算损失和准确率
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = (Y == predicted).sum().float() / len(Y)
    print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
    display.clear_output(wait=True)

    # 反向传播前把梯度置 0 
    optimizer.zero_grad()
    # 反向传播优化 
    loss.backward()
    # 更新全部参数
    optimizer.step()

[EPOCH]: 999, [LOSS]: 0.864019, [ACCURACY]: 0.500

print(y_pred.shape)
print(y_pred[10, :])
print(score[10])
print(predicted[10])

torch.Size([3000, 3])
tensor([0.1070, 0.1738, 0.1800], device='cuda:0', grad_fn=<SliceBackward>)
tensor(0.1800, device='cuda:0', grad_fn=<SelectBackward>)
tensor(2, device='cuda:0')

# Plot trained model
print(model)
plot_model(X, Y, model)

Sequential(
  (0): Linear(in_features=2, out_features=100, bias=True)
  (1): Linear(in_features=100, out_features=3, bias=True)
)

2.构建两层神经网络分类

learning_rate = 1e-3
lambda_l2 = 1e-5

# 这里可以看到，和上面模型不同的是，在两层之间加入了一个 ReLU 激活函数
model = nn.Sequential(
    nn.Linear(D, H),
    nn.ReLU(),
    nn.Linear(H, C)
)
model.to(device)

# 下面的代码和之前是完全一样的，这里不过多叙述
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=lambda_l2) # built-in L2

# 训练模型，和之前的代码是完全一样的
for t in range(1000):
    y_pred = model(X)
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = ((Y == predicted).sum().float() / len(Y))
    print("[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f" % (t, loss.item(), acc))
    display.clear_output(wait=True)
    
    # zero the gradients before running the backward pass.
    optimizer.zero_grad()
    # Backward pass to compute the gradient
    loss.backward()
    # Update params
    optimizer.step()

# Plot trained model
print(model)
plot_model(X, Y, model)

Sequential(
  (0): Linear(in_features=2, out_features=100, bias=True)
  (1): ReLU()
  (2): Linear(in_features=100, out_features=3, bias=True)
)

2.4 回归分析

• relu激活函数是分段线性的，得到的结果也是分段线性的；tanh是光滑的，得到的结果也是光滑的