▌一、前言

閱讀本文的基礎：我會認為你對BP神經網絡有充分的了解，熟讀過我上一篇文章，本文會大量引用上一篇文章的知識以及代碼。

▌二、用MLP做圖像分類識別？

在沒有CNN以及更先進的神經網絡的時代，樸素的想法是用多層感知機（MLP）做圖片分類的識別，沒毛病。

作為上篇筆記學習的延續，以及下一篇CNN的藥引，使用MLP來做圖片分類識別，實在是個不錯的過度例子。通過這個例子，從思路上引出一系列的問題，我不賣關子，自問自答吧，即：

MLP能做圖片分類識別嗎？--> 答案是是可以的，上一篇我們是擬合非線性分類函數，這里是擬合圖像特征，數學本質沒區別。

MLP做這個事情效果如何？--> 個人認知內，只能說一般一般。

MLP在這一領域效果一般，是有什么缺陷嗎？ --> 缺陷是有的，下文會詳細說。

有更好的解決方案嗎？ --> 那也是必須有的，地球人火星人喵星人都知道有CNN等等更先進的東東；但是在沒有這些東西存在的時代，你發明出來了，那才真是666。

▌三、先上車

1. 數據源

數據源當然是圖片，但是是經過數據化處理的圖片，使用的是h5文件。h5文件簡單說就是把數據按索引固化起來，挺簡單的不多說，度度一下：

h5py入門講解：

https://blog.csdn.net/csdn15698845876/article/details/73278120

我們有3個h5文件，存著不重復的圖片數據，分別是：

train_catvnoncat.h5 (用來訓練模型用的，一共有209張，其中有貓也有不是貓的圖片，尺寸64*64像素)

test_catvnoncat.h5 （用來測試模型準確度的，一共有50張圖片，，其中有貓也有不是貓的圖片，尺寸64*64像素）

my_cat_misu.h5 （用來玩的，我家貓主子的1張照騙，尺寸64*64像素）

2. 數據結構

拿train_catvnoncat.h5舉例，這個文件有2個索引：

train_set_x：這是一個數組，因為是209張圖片，所以數組長度是209。數組中的元素是一個 64*64*3 的矩陣。64*64是圖片像素尺寸，3是什么鬼？別忘了這是彩色圖片，3就是代表RGB這3個顏色通道的值。

train_set_y：圖片標簽數組，長度也是209，是209張圖片的標簽（label），對應數組下標的值是1時，代表這張圖片是喵星人，0則代表不是。

同理，test_catvnoncat.h5 中有 test_set_x 和 test_set_y；my_cat_misu.h5 中有 mycat_set_x 和 mycat_set_y

3. 告訴你怎么制作圖片的h5文件，以后做cnn等模型訓練時，非常有用

以我主子為例子：

原圖：

自己處理成64*64的圖片，當然你也可以寫代碼做圖片處理，我懶，交給你實現了：

python代碼，用到h5py庫：

def save_imgs_to_h5file(h5_fname, x_label, y_label, img_paths_list, img_label_list): # 構造n張圖片的隨機矩陣 data_imgs = np.random.rand(len(img_paths_list), 64, 64, 3).astype('int') label_imgs = np.random.rand(len(img_paths_list), 1).astype('int') # plt.imread可以把圖片以多維數組形式讀出來，然后我們存成 n*n*3 的矩陣 for i in range(len(img_paths_list)): data_imgs[i] = np.array(plt.imread(img_paths_list[i])) label_imgs[i] = np.array(img_label_list[i]) # 創建h5文件，按照指定的索引label存到文件中，完事了 f = h5py.File(h5_fname, 'w') f.create_dataset(x_label, data=data_imgs) f.create_dataset(y_label, data=label_imgs) f.close() return data_imgs, label_imgs #用法 # 圖片label為1代表這是一張喵星人的圖片，0代表不是 save_imgs_to_h5file('datasets/my_cat_misu.h5', 'mycat_set_x', 'mycat_set_y', ['misu.jpg'],[1])

4. 看看我的數據源的樣子

用來訓練的圖片集合，209張：

用來校驗模型準確度的圖片集合， 50張

用來玩的，主子照騙，1張：

▌四. 開車了

1. 如何設計模型：

輸入層：我們的圖片是64*64的像素尺寸，那么算上RGB三個通道的數據，我們把三維矩陣拉成面條 64*64*3 = 12288。 也就是我們輸入層的數據長度是12288。

隱藏層：使用多層隱藏層，可以自行多嘗試一下不同的結構。這里我使用3個隱藏層，隱藏層神經元個數分別是20，7，5

輸出層：我們的目標就是判斷某張圖片是否是貓而已，所以輸出層1個神經元，輸出概率大于0.5認為是貓，小于等于0.5認為不是。

【插播】：有人會想，第一層隱藏層的神經元和輸入層數量一致是不是會好點？理論上是會好點，但是這涉及到MLP的一個缺陷，因為全連接情況下，這樣做，第一層的權重w參數就有1228的平方個，約為1.5個億。如果圖片更大呢？參數會成指數級膨脹，后果盡情想象。

2. 如何訓練模型

還用說，把209張圖片的數據扔到神經網絡，完成一次迭代，然后訓練1萬次，可自行嘗試迭不同代次數觀察效果。

3. 如何衡量模型的準確度

大神吳恩達（Andrew Ng）提到的方法之一，就是劃分不同集合，一部分用來訓練，一部分用來驗證模型效果，這樣可以達到衡量你所訓練的模型的效果如何。所以我們訓練使用209張圖片，最終使用50張測試模型效果。

為了好玩，可以自己用不同圖片通過模型去做分類識別。

▌五. 老規矩，甩代碼

還是說明一下代碼流程吧：

代碼使用到的 NeuralNetwork 是我上一篇筆記的代碼，實現了BP神經網絡，import進來直接用即可。

代碼做的事情就是：

從h5文件加載圖片數據

把原始圖片顯示出來，同時也保存成圖片文件

訓練神經網絡模型

驗證模型準確度

把識別結果標注到原始圖片上，同時也保存成圖片文件

#coding:utf-8 import h5py import matplotlib.font_manager as fm import matplotlib.pyplot as plt import numpy as np from NeuralNetwork import * font = fm.FontProperties(fname='/System/Library/Fonts/STHeiti Light.ttc') def load_Cat_dataset(): train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r") train_set_x_orig = np.array(train_dataset["train_set_x"][:]) train_set_y_orig = np.array(train_dataset["train_set_y"][:]) test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r") test_set_x_orig = np.array(test_dataset["test_set_x"][:]) test_set_y_orig = np.array(test_dataset["test_set_y"][:]) mycat_dataset = h5py.File('datasets/my_cat_misu.h5', "r") mycat_set_x_orig = np.array(mycat_dataset["mycat_set_x"][:]) mycat_set_y_orig = np.array(mycat_dataset["mycat_set_y"][:]) classes = np.array(test_dataset["list_classes"][:]) train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0])) test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) mycat_set_y_orig = mycat_set_y_orig.reshape((1, mycat_set_y_orig.shape[0])) return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, mycat_set_x_orig, mycat_set_y_orig,classes def predict_by_modle(x, y, nn): m = x.shape[1] p = np.zeros((1,m)) output, caches = nn.forward_propagation(x) for i in range(0, output.shape[1]): if output[0,i] > 0.5: p[0,i] = 1 else: p[0,i] = 0 # 預測出來的結果和期望的結果比對，看看準確率多少： # 比如100張預測圖片里有50張貓的圖片，只識別出40張，那么識別率就是80% print(u"識別率: " + str(np.sum((p == y)/float(m)))) return np.array(p[0], dtype=np.int), (p==y)[0], np.sum((p == y)/float(m))*100 def save_imgs_to_h5file(h5_fname, x_label, y_label, img_paths_list, img_label_list): data_imgs = np.random.rand(len(img_paths_list), 64, 64, 3).astype('int') label_imgs = np.random.rand(len(img_paths_list), 1).astype('int') for i in range(len(img_paths_list)): data_imgs[i] = np.array(plt.imread(img_paths_list[i])) label_imgs[i] = np.array(img_label_list[i]) f = h5py.File(h5_fname, 'w') f.create_dataset(x_label, data=data_imgs) f.create_dataset(y_label, data=label_imgs) f.close() return data_imgs, label_imgs if __name__ == "__main__": # 圖片label為1代表這是一張喵星人的圖片，0代表不是 #save_imgs_to_h5file('datasets/my_cat_misu.h5', 'mycat_set_x', 'mycat_set_y', ['misu.jpg'],[1]) train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, mycat_set_x_orig, mycat_set_y_orig, classes = load_Cat_dataset() train_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T test_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T mycat_x_flatten = mycat_set_x_orig.reshape(mycat_set_x_orig.shape[0], -1).T train_set_x = train_x_flatten / 255. test_set_x = test_x_flatten / 255. mycat_set_x = mycat_x_flatten / 255. print(u"訓練圖片數量: %d" % len(train_set_x_orig)) print(u"測試圖片數量: %d" % len(test_set_x_orig)) plt.figure(figsize=(10, 20)) plt.subplots_adjust(wspace=0,hspace=0.15) for i in range(len(train_set_x_orig)): plt.subplot(21,10, i+1) plt.imshow(train_set_x_orig[i],interpolation='none',cmap='Reds_r',vmin=0.6,vmax=.9) plt.xticks([]) plt.yticks([]) plt.savefig("cat_pics_train.png") plt.show() plt.figure(figsize=(8, 8)) plt.subplots_adjust(wspace=0, hspace=0.1) for i in range(len(test_set_x_orig)): ax = plt.subplot(8, 8, i + 1) im = ax.imshow(test_set_x_orig[i], interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9) plt.xticks([]) plt.yticks([]) plt.savefig("cat_pics_test.png") plt.show() plt.figure(figsize=(2, 2)) plt.subplots_adjust(wspace=0, hspace=0) for i in range(len(mycat_set_x_orig)): ax = plt.subplot(1, 1, i + 1) im = ax.imshow(mycat_set_x_orig[i], interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9) plt.xticks([]) plt.yticks([]) plt.savefig("cat_pics_my.png") plt.show() # 用訓練圖片集訓練模型 layers_dims = [12288, 20, 7, 5, 1] nn = NeuralNetwork(layers_dims, True) nn.set_xy(train_set_x, train_set_y_orig) nn.set_num_iterations(10000) nn.set_learning_rate(0.0075) nn.training_modle() # 結果展示說明： # 【識別正確】： # 1.原圖是貓，識別為貓 --> 原圖顯示 # 2.原圖不是貓，識別為不是貓 --> 降低顯示亮度 # 【識別錯誤】： # 1.原圖是貓，但是識別為不是貓 --> 標紅顯示 # 2.原圖不是貓， 但是識別成貓 --> 標紅顯示 # 訓練用的圖片走一遍模型，觀察其識別率 plt.figure(figsize=(10, 20)) plt.subplots_adjust(wspace=0, hspace=0.15) pred_train, true, accuracy = predict_by_modle(train_set_x, train_set_y_orig, nn) for i in range(len(train_set_x_orig)): ax = plt.subplot(21, 10, i + 1) x_data = train_set_x_orig[i] if pred_train[i] == 0 and train_set_y_orig[0][i] == 0: x_data = x_data/5 if true[i] == False: x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0]) im = plt.imshow(x_data,interpolation='none',cmap='Reds_r',vmin=0.6,vmax=.9) plt.xticks([]) plt.yticks([]) plt.suptitle(u"Num Of Pictrues: %d Accuracy: %.2f%%" % (len(train_set_x_orig), accuracy), y=0.92, fontsize=20) plt.savefig("cat_pics_train_predict.png") plt.show() # 不屬于訓練圖片集合的測試圖片，走一遍模型，觀察其識別率 plt.figure(figsize=(8, 8)) plt.subplots_adjust(wspace=0, hspace=0.1) pred_test, true, accuracy = predict_by_modle(test_set_x, test_set_y_orig, nn) for i in range(len(test_set_x_orig)): ax = plt.subplot(8, 8, i + 1) x_data = test_set_x_orig[i] if pred_test[i] == 0 and test_set_y_orig[0][i] == 0: x_data = x_data/5 if true[i] == False: x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0]) im = ax.imshow(x_data, interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9) plt.xticks([]) plt.yticks([]) plt.suptitle(u"Num Of Pictrues: %d Accuracy: %.2f%%" % (len(test_set_x_orig), accuracy), fontsize=20) plt.savefig("cat_pics_test_predict.png") plt.show() # 用我家主子的照騙，走一遍模型，觀察其識別率，因為只有一張圖片，所以識別率要么 100% 要么 0% plt.figure(figsize=(2, 2.6)) plt.subplots_adjust(wspace=0, hspace=0.1) pred_mycat, true, accuracy = predict_by_modle(mycat_set_x, mycat_set_y_orig, nn) for i in range(len(mycat_set_x_orig)): ax = plt.subplot(1, 1, i+1) x_data = mycat_set_x_orig[i] if pred_mycat[i] == 0 and mycat_set_y_orig[0][i] == 0: x_data = x_data/5 if true[i] == False: x_data[:, :, 0] = x_data[:, :, 0] + (255 - x_data[:, :, 0]) im = ax.imshow(x_data, interpolation='none', cmap='Reds_r', vmin=0.6, vmax=.9) plt.xticks([]) plt.yticks([]) if pred_mycat[i] == 1: plt.suptitle(u"我：'我主子是喵星人嗎？' A I :'是滴'", fontproperties = font) else: plt.suptitle(u"我：'我主子是喵星人嗎？' A I :'唔系~唔系~'", fontproperties = font) plt.savefig("cat_pics_my_predict.png") plt.show()

▌六.結論

1. 神經網絡模型的輸出結果，標注到了圖片上并展示出來，規則是：

結果展示說明：

【識別正確】：原圖是貓，識別為貓 --> 原圖顯示原圖不是貓，識別為不是貓 --> 降低顯示亮度【識別錯誤】：原圖是貓，但是識別為不是貓 --> 標紅顯示原圖不是貓， 但是識別成貓 --> 標紅顯示

圖片標題會顯示Accuracy（準確度），準確度的計算公式是： 識別正確圖片數/圖片總數。

2. 模型訓練完成后，把訓練用的209張圖片用訓練好的模型識別一遍，觀察結果：可以看到，迭代1w次的模型，識別訓練圖集，準確度是 100% 的：

3. 模型訓練完成后，使用測試圖集用訓練好的模型識別一遍，觀察結果：可以看到，迭代1w次的模型，識別訓練圖集，準確度只有 78%：

4. 看看模型能不能認出我主子是喵星人，看樣子，它是認出來了：

▌七.對結果進一步分析，引出一系列問題

拋出一個問題：為什么用測試圖集驗證模型，識別率只有78%？在我嘗試過改變神經網絡結構設計，參數調參后，仍然無法提高識別率，為什么呢？

不算徹底的解答：

也許是我水平有限，調參姿勢不對？姿勢帥并不是萬能的，我們應該從更深層次的原理進行分析。

有人說，你訓練數據少了，好像有那么些道理。其實是可以給模型輸入更多圖片的特征是個不錯的辦法，比如旋轉一下，圖片內容放大縮小，挪挪位置等。但是Andrew Ng也說過，過分追求訓練數據收集是一條不歸路。

在同等訓練數據集下，有更好的辦法嗎？由此引出下一個問題。

刨根問底：想要知道為什么MLP識別度難以做到很高，撇開網絡結構，調參，訓練數據先不談。我們應該從MLP身上找找茬。搞清楚我們目標，是提高對圖片進行分類識別，那么在使用MLP實現這個目標時，它自身是否有缺陷，導致實現這個目標遇到了困難。那么解決了這些困難，就找到了解決問題的方法。

MLP在做圖片分類識別的缺陷：神經元是全連接的方式構成的神經網絡，全連接情況下，假設圖片是1k*1k像素大小，那么隱藏層個數和輸入層尺寸一致時，不考慮RGB顏色通道，單通道下，權重w參數個數會是：（沒數錯0的話）

如果圖片再大點，參數膨脹到不可想象，直接導致的負面效果是：

參數過多，計算量龐大

全連接情況下，過深的網絡容易導致梯度消失，模型難以訓練

MLP全連接的情況下，無法做到圖片的形變識別。怎么理解這個詞呢，拿手寫數字舉個例子，比如寫8，每個人書寫習慣不一樣，有的人寫的很正，但有的人寫歪了點，上半部分小，下半部分大，等等。這時候，MLP的缺點就顯現出來了，同一張圖片，旋轉，或者稍微平移形變一下，它無法識別。你可以通過增加更多特征給模型，但這不是本質上的解決該問題的方法，而是對訓練的優化手段。

▌八. 總結要解決的問題，離下一個坑就不遠了

上面已經列舉了要解決的幾個問題，這里總結一下：

我們要解決參數膨脹帶來的計算量龐大的問題。

優化參數量之后，如何在同等訓練數據集不變的情況下，如何提取更多特征。

在輸入有一定的旋轉平移伸縮時，仍能正確識別。

能解決以上問題的眾所周知，就是CNN以及眾多更先進的神經網絡模型了。本文作為一篇引子文章，也是CNN的導火索。代碼在你手中，把第一層隱藏層設計成和輸入層一樣大，即 layers_dims = [12288, 12288, 20, 7, 5, 1]。還只是64*64的小圖片而已，那龜速，我和我的小破筆記本都不能忍啊。這也是為什么大神們發明CNN的原因之一吧！