在 CIFAR10 小型图像数据集上训练一个简单的 CNN-Capsule Network。
无数据增益的情况下： 在 10 轮迭代后验证集准确率达到 75%，在 15 轮后达到 79%，在 20 轮后过拟合。
有数据增益情况下: 在 10 轮迭代后验证集准确率达到 75%，在 15 轮后达到 79%，在 30 轮后达到 83%。 在我的测试中，50 轮后最高的验证集准确率为 83.79%。
这是一个快速版的实现，在 GTX 1070 GPU 上迭代只需 20s/epoch。
from __future__ import print_function
from keras import backend as K
from keras.layers import Layer
from keras import activations
from keras import utils
from keras.datasets import cifar10
from keras.models import Model
from keras.layers import *
from keras.preprocessing.image import ImageDataGenerator
# 挤压函数
# 我们在此使用 0.5，而不是 Hinton 论文中给出的 1
# 如果为 1，则向量的范数将被缩小。
# 如果为 0.5，则当原始范数小于 0.5 时，范数将被放大，
# 当原始范数大于 0.5 时，范数将被缩小。
def squash(x, axis=-1):
s_squared_norm = K.sum(K.square(x), axis, keepdims=True) + K.epsilon()
scale = K.sqrt(s_squared_norm) / (0.5 + s_squared_norm)
return scale * x
# 使用自定义的 softmax 函数，而非 K.softmax，
# 因为 K.softmax 不能指定轴。
def softmax(x, axis=-1):
ex = K.exp(x - K.max(x, axis=axis, keepdims=True))
return ex / K.sum(ex, axis=axis, keepdims=True)
# 定义 margin loss，类似于 hinge loss
def margin_loss(y_true, y_pred):
lamb, margin = 0.5, 0.1
return K.sum(y_true * K.square(K.relu(1 - margin - y_pred)) + lamb * (
1 - y_true) * K.square(K.relu(y_pred - margin)), axis=-1)
class Capsule(Layer):
"""一个由纯 Keras 实现的 Capsule 网络。
总共有两个版本的 Capsule。
一个类似于全连接层 (用于固定尺寸的输入)，
另一个类似于时序分布全连接层 (用于变成输入)。
Capsure 的输入尺寸必须为 (batch_size,
input_num_capsule,
input_dim_capsule
)
以及输出尺寸必须为 (batch_size,
num_capsule,
dim_capsule
)
Capsule 实现来自于 https://github.com/bojone/Capsule/
Capsule 论文: https://arxiv.org/abs/1710.09829
"""
def __init__(self,
num_capsule,
dim_capsule,
routings=3,
share_weights=True,
activation='squash',
**kwargs):
super(Capsule, self).__init__(**kwargs)
self.num_capsule = num_capsule
self.dim_capsule = dim_capsule
self.routings = routings
self.share_weights = share_weights
if activation == 'squash':
self.activation = squash
else:
self.activation = activations.get(activation)
def build(self, input_shape):
input_dim_capsule = input_shape[-1]
if self.share_weights:
self.kernel = self.add_weight(
name='capsule_kernel',
shape=(1, input_dim_capsule,
self.num_capsule * self.dim_capsule),
initializer='glorot_uniform',
trainable=True)
else:
input_num_capsule = input_shape[-2]
self.kernel = self.add_weight(
name='capsule_kernel',
shape=(input_num_capsule, input_dim_capsule,
self.num_capsule * self.dim_capsule),
initializer='glorot_uniform',
trainable=True)
def call(self, inputs):
"""遵循 Hinton 论文中的路由算法，
但是将 b = b + <u,v> 替换为 b = <u,v>。
这一改变将提升 Capsule 的特征表示能力。
然而，你仍可以将
b = K.batch_dot(outputs, hat_inputs, [2, 3])
替换为
b += K.batch_dot(outputs, hat_inputs, [2, 3])
来实现一个标准的路由。
"""
if self.share_weights:
hat_inputs = K.conv1d(inputs, self.kernel)
else:
hat_inputs = K.local_conv1d(inputs, self.kernel, [1], [1])
batch_size = K.shape(inputs)[0]
input_num_capsule = K.shape(inputs)[1]
hat_inputs = K.reshape(hat_inputs,
(batch_size, input_num_capsule,
self.num_capsule, self.dim_capsule))
hat_inputs = K.permute_dimensions(hat_inputs, (0, 2, 1, 3))
b = K.zeros_like(hat_inputs[:, :, :, 0])
for i in range(self.routings):
c = softmax(b, 1)
o = self.activation(K.batch_dot(c, hat_inputs, [2, 2]))
if i < self.routings - 1:
b = K.batch_dot(o, hat_inputs, [2, 3])
if K.backend() == 'theano':
o = K.sum(o, axis=1)
return o
def compute_output_shape(self, input_shape):
return (None, self.num_capsule, self.dim_capsule)
batch_size = 128
num_classes = 10
epochs = 100
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
y_train = utils.to_categorical(y_train, num_classes)
y_test = utils.to_categorical(y_test, num_classes)
# 一个常规的 Conv2D 模型
input_image = Input(shape=(None, None, 3))
x = Conv2D(64, (3, 3), activation='relu')(input_image)
x = Conv2D(64, (3, 3), activation='relu')(x)
x = AveragePooling2D((2, 2))(x)
x = Conv2D(128, (3, 3), activation='relu')(x)
x = Conv2D(128, (3, 3), activation='relu')(x)
"""现在我们将其尺寸重新调整为 (batch_size, input_num_capsule, input_dim_capsule)，再连接一个 Capsule 网络。
最终模型的输出为长度为 10 的 Capsure，其 dim=16。
Capsule 的长度表示为 proba，
因此问题变成了一个『10个二分类』的问题。
"""
x = Reshape((-1, 128))(x)
capsule = Capsule(10, 16, 3, True)(x)
output = Lambda(lambda z: K.sqrt(K.sum(K.square(z), 2)))(capsule)
model = Model(inputs=input_image, outputs=output)
# 使用 margin loss
model.compile(loss=margin_loss, optimizer='adam', metrics=['accuracy'])
model.summary()
# 可以比较有无数据增益对应的性能
data_augmentation = True
if not data_augmentation:
print('Not using data augmentation.')
model.fit(
x_train,
y_train,
batch_size=batch_size,
epochs=epochs,
validation_data=(x_test, y_test),
shuffle=True)
else:
print('Using real-time data augmentation.')
# 这一步将进行数据处理和实时数据增益:
datagen = ImageDataGenerator(
featurewise_center=False, # 将整个数据集的均值设为 0
samplewise_center=False, # 将每个样本的均值设为 0
featurewise_std_normalization=False, # 将输入除以整个数据集的标准差
samplewise_std_normalization=False, # 将输入除以其标准差
zca_whitening=False, # 运用 ZCA 白化
zca_epsilon=1e-06, # ZCA 白化的 epsilon值
rotation_range=0, # 随机旋转图像范围 (角度, 0 to 180)
width_shift_range=0.1, # 随机水平移动图像 (总宽度的百分比)
height_shift_range=0.1, # 随机垂直移动图像 (总高度的百分比)
shear_range=0., # 设置随机裁剪范围
zoom_range=0., # 设置随机放大范围
channel_shift_range=0., # 设置随机通道切换的范围
# 设置填充输入边界之外的点的模式
fill_mode='nearest',
cval=0., # 在 fill_mode = "constant" 时使用的值
horizontal_flip=True, # 随机水平翻转图像
vertical_flip=False, # 随机垂直翻转图像
# 设置缩放因子 (在其他转换之前使用)
rescale=None,
# 设置将应用于每一个输入的函数
preprocessing_function=None,
# 图像数据格式，"channels_first" 或 "channels_last" 之一
data_format=None,
# 保留用于验证的图像比例（严格在0和1之间）
validation_split=0.0)
# 计算特征标准化所需的计算量
# (如果应用 ZCA 白化，则为 std，mean和主成分)。
datagen.fit(x_train)
# 利用由 datagen.flow() 生成的批来训练模型。
model.fit_generator(
datagen.flow(x_train, y_train, batch_size=batch_size),
epochs=epochs,
validation_data=(x_test, y_test),
workers=4)