Как да изградим проста система за разпознаване на изображения с TensorFlow (част 1)

Това не е общо въведение в изкуствения интелект, машинното обучение или дълбокото обучение. Вече има много страхотни статии, обхващащи тези теми (например тук или тук).

И това не е дискусия за това дали ИИ ще пороби човечеството или просто ще открадне всичките ни работни места. Можете да намерите изобилие от спекулации и някои преждевременни страхове другаде.

Вместо това тази публикация е подробно описание на начина за започване на машинно обучение чрез изграждане на система, която (донякъде) може да разпознава това, което вижда в изображение.

В момента пътувам, за да науча за изкуствения интелект и машинното обучение. И начинът, по който научавам най-добре, е не само да чета неща, но като всъщност изграждам нещата и получавам практически опит. И за това е тази публикация. Искам да ви покажа как можете да изградите система, която изпълнява проста задача за компютърно зрение: разпознаване на съдържанието на изображението.

Аз самият не претендирам, че съм експерт. Все още се уча и има какво да науча. Описвам с какво съм си играл и ако е малко интересно или полезно за вас, това е страхотно! Ако от друга страна откриете грешки или имате предложения за подобрения, моля, уведомете ме, за да мога да се уча от вас.

Не е необходим никакъв предишен опит с машинно обучение, за да можете да го следвате. Примерният код е написан на Python, така че основното познание на Python би било чудесно, но познанието на всеки друг език за програмиране вероятно е достатъчно.

Защо разпознаването на изображения?

Разпознаването на изображения е чудесна задача за разработване и тестване на подходи за машинно обучение. Визията е спорно нашето най-силно чувство и идва естествено за нас, хората. Но как всъщност го правим? Как мозъкът превежда изображението на ретината ни в умствен модел на заобикалящата ни среда? Мисля, че никой не знае точно.

Въпросът е, че привидно ни е лесно да го направим - толкова лесно, че дори не е нужно да полагаме никакви съзнателни усилия за това - но е трудно за компютрите ((Всъщност може и да не е толкова лесно за нас, може би ние просто не сме наясно колко много работа е. Повече от половината от мозъка ни изглежда пряко или косвено участва във визията).

Как можем да накараме компютрите да изпълняват визуални задачи, когато дори не знаем как го правим сами? Тук в играта влиза машинното обучение. Вместо да се опитваме да измислим подробни инструкции стъпка по стъпка как да интерпретираме изображенията и да ги преведем в компютърна програма, ние оставяме компютъра да разбере сам.

Целта на машинното обучение е да даде на компютрите способността да правят нещо, без изрично да им се казва как да го направят. Ние просто предоставяме някаква обща структура и даваме на компютъра възможност да се учи от опит, подобно на това как ние, хората, се учим и от опит.

Но преди да започнем да мислим за цялостно решение на компютърното зрение, нека опростим донякъде задачата и разгледаме конкретен подпроблем, с който е по-лесно да се справим.

Класификация на изображенията и набора от данни CIFAR-10

Ще се опитаме да разрешим възможно най-опростен и малък проблем, като същевременно сме достатъчно трудни, за да ни научим на ценни уроци. Всичко, което искаме да направи компютърът, е следното: когато се представя с изображение (със специфични размери на изображението), нашата система трябва да го анализира и да му присвои един етикет. Той може да избира измежду фиксиран брой етикети, всеки от които е категория, описваща съдържанието на изображението. Нашата цел е нашият модел да избере правилната категория възможно най-често. Тази задача се нарича класификация на изображенията.

Ще използваме стандартизиран набор от данни, наречен CIFAR-10. CIFAR-10 се състои от 60 000 изображения. Има 10 различни категории и 6000 изображения на категория. Всяко изображение има размер само 32 на 32 пиксела. Малкият размер затруднява понякога хората, да разпознаем правилната категория, но опростява нещата за нашия компютърен модел и намалява изчислителното натоварване, необходимо за анализ на изображенията.

Начинът, по който въвеждаме тези изображения в нашия модел, е като захранваме модела с цял куп цифри. Всеки пиксел се описва с три числа с плаваща запетая, представляващи червените, зелените и сините стойности за този пиксел. Това води до 32 x 32 x 3 = 3 072 стойности за всяко изображение.

Освен CIFAR-10, има много други набори от данни с изображения, които често се използват в общността на компютърното зрение. Използването на стандартизирани набори от данни има две цели. Първо, има много работа за създаването на такъв набор от данни. Трябва да намерите изображенията, да ги обработите, за да отговарят на вашите нужди и да ги маркирате индивидуално. Втората причина е, че използването на един и същ набор от данни ни позволява обективно да сравняваме различни подходи помежду си.

В допълнение, стандартизираните набори от данни за изображения доведоха до създаването на списъци и състезания с високи оценки на компютърното зрение. Най-известното състезание е може би конкурсът Image-Net, в който има 1000 различни категории за откриване. Победителят през 2012 г. беше алгоритъм, разработен от Алекс Крижевски, Иля Суцкевер и Джефри Хинтън от Университета в Торонто (технически документ), който доминираше в състезанието и спечели с огромна разлика. Това беше първият път, когато печелившият подход използваше конволюционна невронна мрежа, която имаше голямо въздействие върху изследователската общност. Конволюционните невронни мрежи са изкуствени невронни мрежи, свободно моделирани след зрителната кора, открита при животните. Тази техника съществува от известно време, но по това време повечето хора все още не виждат потенциала й да бъде полезен.Това се промени след състезанието 2012 Image-Net. Изведнъж имаше голям интерес към невронните мрежи и дълбокото учене (дълбокото обучение е само терминът, използван за решаване на проблеми с машинно обучение с многослойни невронни мрежи). Това събитие играе голяма роля в началото на дълбокия бум на обучение през последните няколко години.

Контролирано обучение

Как можем да използваме набора от изображения, за да накараме компютъра да се учи сам? Въпреки че компютърът изпълнява учебната част сам, все пак трябва да му кажем какво да научим и как да го направим. Начинът, по който правим това, е чрез определяне на общ процес за това как компютърът трябва да оценява изображенията.

Определяме общ математически модел за това как да стигнем от входното изображение до изходния етикет. Тогава конкретният изход на модела за конкретно изображение зависи не само от самото изображение, но и от вътрешните параметри на модела. Тези параметри не се предоставят от нас, а се научават от компютъра.

Цялото нещо се оказва проблем за оптимизация. Започваме с дефиниране на модел и предоставяне на начални стойности за неговите параметри. След това подаваме към модела набора от данни с неговите известни и правилни етикети. Това е етапът на обучение. По време на тази фаза моделът многократно разглежда данните за обучение и продължава да променя стойностите на своите параметри. Целта е да се намерят стойности на параметрите, които водят до изхода на модела да бъде правилен възможно най-често. Този вид обучение, при което се използва правилното решение заедно с входните данни, се нарича контролирано обучение. Има и учене без надзор, при което целта е да се учи от входни данни, за които няма налични етикети, но това е извън обхвата на тази публикация.

След приключване на обучението стойностите на параметрите на модела вече не се променят и моделът може да се използва за класифициране на изображения, които не са били част от неговия набор от данни за обучение.

TensorFlow

TensorFlow е софтуерна библиотека с отворен код за машинно обучение, която беше пусната от Google през 2015 г. и бързо се превърна в една от най-популярните библиотеки за машинно обучение, използвана от изследователи и практици по целия свят. Използваме го, за да направим числено вдигане на тежки тежести за нашия модел за класификация на изображенията.

Изграждане на модела, Softmax класификатор

Пълният код за този модел е достъпен на Github. За да го използвате, трябва да имате инсталирано следното:

  • Python (кодът е тестван с Python 2.7, но Python 3.3+ също трябва да работи, Връзка към инструкциите за инсталиране)
  • TensorFlow (Връзка към инструкциите за инсталиране)
  • Набор от данни на CIFAR-10: Изтеглете версията на набора от данни на Python от //www.cs.toronto.edu/~kriz/cifar.html или използвайте директната връзка към компресирания архив. Поставете извлечената cifar-10-batches-py/директория в директорията, където поставяте изходния код на python, така че пътят към изображенията да е /path-to-your-python-source-code-files/cifar-10-batches-py/.

Добре, сега най-накрая сме готови да тръгнем. Нека да разгледаме основния файл на нашия експеримент softmax.pyи да го анализираме ред по ред:

Изявленията за бъдещето трябва да присъстват във всички файлове на TensorFlow Python, за да се осигури съвместимост както с Python 2, така и с 3 според ръководството за стил TensorFlow.

След това импортираме TensorFlow, numpy за числени изчисления и модула за време. data_helpers.pyсъдържа функции, които помагат при зареждането и подготовката на набора от данни.

Стартираме таймер за измерване на времето за изпълнение и дефиниране на някои параметри. Ще говоря за тях по-късно, когато всъщност ги използваме. След това зареждаме набора от данни CIFAR-10. Тъй като четенето на данните не е част от ядрото на това, което правим, поставям тези функции в отделния data_helpers.pyфайл, който по същество просто чете файловете, съдържащи набора от данни, и поставя данните в структура от данни, която е лесна за обработка за нас .

Важно е обаче да се спомене едно нещо. load_data()разделя 60000 изображения на две части. По-голямата част съдържа 50000 изображения. Този комплект за обучение е това, което използваме за обучение на нашия модел. Останалите 10000 изображения се наричат ​​тест набор. Нашият модел никога не ги вижда, докато обучението не приключи. Едва тогава, когато параметрите на модела вече не могат да бъдат променени, ние използваме тестовия набор като вход за нашия модел и измерваме ефективността на модела на тестовия набор.

Това разделяне на данните за обучение и тестване е много важно. Не бихме знаели колко добре нашият модел може да прави обобщения, ако е бил изложен на същия набор от данни за обучение и за тестване. В най-лошия случай си представете модел, който точно запаметява всички данни за обучение, които вижда. Ако трябваше да използваме едни и същи данни за тестването му, моделът би се представил перфектно, като просто търсим правилното решение в паметта си. Но няма да има представа какво да прави с входове, които не е виждал преди.

Тази концепция за модел, изучаващ специфичните характеристики на данните от обучението и евентуално пренебрегвайки общите характеристики, които бихме предпочели да научи, се нарича прекалено подходящо. Прекаленото оборудване и как да го избегнете е голям проблем в машинното обучение. Повече информация за преоборудването и защо обикновено е препоръчително да разделите данните на не само 2, но 3 различни набора от данни можете да намерите в това видео (огледало в YouTube) (видеото е част от страхотния курс за машинно обучение на Андрю Нг на Coursera).

За да се върнете към нашия код, load_data()връща речник, съдържащ

  • images_train: наборът от данни за обучение като масив от 50 000 на 3 072 (= 32 пиксела х 32 пиксела х 3 цветни канала) стойности.
  • labels_train: 50000 етикета за тренировъчния комплект (всеки номер между 0 и 9, представляващ кой от 10-те класа принадлежи изображението на обучението)
  • images_test: тестов комплект (10 000 на 3 072)
  • labels_test: 10,000 labels for the test set
  • classes: 10 text labels for translating the numerical class value into a word (0 for ‘plane’, 1 for ‘car’, etc.)

Now we can start building our model. The actual numerical computations are being handled by TensorFlow, which uses a fast and efficient C++ backend to do this. TensorFlow wants to avoid repeatedly switching between Python and C++ because that would slow down our calculations.

The common workflow is therefore to first define all the calculations we want to perform by building a so-called TensorFlow graph. During this stage no calculations are actually being performed, we are merely setting the stage. Only afterwards we run the calculations by providing input data and recording the results.

So let’s start defining our graph. We first describe the way our input data for the TensorFlow graph looks like by creating placeholders. These placeholders do not contain any actual data, they just specify the input data’s type and shape.

For our model, we’re first defining a placeholder for the image data, which consists of floating point values (tf.float32). The shape argument defines the input dimensions. We will provide multiple images at the same time (we will talk about those batches later), but we want to stay flexible about how many images we actually provide. The first dimension of shape is therefore None, which means the dimension can be of any length. The second dimension is 3,072, the number of floating point values per image.

The placeholder for the class label information contains integer values (tf.int64), one value in the range from 0 to 9 per image. Since we’re not specifying how many images we’ll input, the shape argument is [None].

weights and biases are the variables we want to optimize. But let’s talk about our model first.

Our input consists of 3,072 floating point numbers and the desired output is one of 10 different integer values. How do we get from 3,072 values to a single one? Let’s start at the back. Instead of a single integer value between 0 and 9, we could also look at 10 score values — one for each class — and then pick the class with the highest score. So our original question now turns into: How do we get from 3,072 values to 10?

The simple approach which we are taking is to look at each pixel individually. For each pixel (or more accurately each color channel for each pixel) and each possible class, we’re asking whether the pixel’s color increases or decreases the probability of that class.

Let’s say the first pixel is red. If images of cars often have a red first pixel, we want the score for car to increase. We achieve this by multiplying the pixel’s red color channel value with a positive number and adding that to the car-score. Accordingly, if horse images never or rarely have a red pixel at position 1, we want the horse-score to stay low or decrease. This means multiplying with a small or negative number and adding the result to the horse-score.

For each of the 10 classes we repeat this step for each pixel and sum up all 3,072 values to get a single overall score, a sum of our 3,072 pixel values weighted by the 3,072 parameter weights for that class. In the end we have 10 scores, one for each class. Then we just look at which score is the highest, and that’s our class label.

The notation for multiplying the pixel values with weight values and summing up the results can be drastically simplified by using matrix notation. Our image is represented by a 3,072-dimensional vector. If we multiply this vector with a 3,072 x 10 matrix of weights, the result is a 10-dimensional vector containing exactly the weighted sums we are interested in.

The actual values in the 3,072 x 10 matrix are our model parameters. If they are random/garbage our output will be random/garbage. That’s where the training data comes into play. By looking at the training data we want the model to figure out the parameter values by itself.

All we’re telling TensorFlow in the two lines of code shown above is that there is a 3,072 x 10 matrix of weight parameters, which are all set to 0 in the beginning. In addition, we’re defining a second parameter, a 10-dimensional vector containing the bias. The bias does not directly interact with the image data and is added to the weighted sums. The bias can be seen as a kind of starting point for our scores.

Think of an image which is totally black. All its pixel values would be 0, therefore all class scores would be 0 too, no matter how the weights matrix looks like. Having biases allows us to start with non-zero class scores.

This is where the prediction takes place. We’ve arranged the dimensions of our vectors and matrices in such a way that we can evaluate multiple images in a single step. The result of this operation is a 10-dimensional vector for each input image.

The process of arriving at good values for the weights and bias parameters is called training and works as follows: First, we input training data and let the model make a prediction using its current parameter values. This prediction is then compared to the correct class labels. The numerical result of this comparison is called loss. The smaller the loss value, the closer the predicted labels are to the correct labels and vice versa.

We want to model to minimize the loss, so that its predictions are close to the true labels. But before we look at the loss minimization, let’s take a look at how the loss is calculated.

The scores calculated in the previous step, stored in the logits variable, contains arbitrary real numbers. We can transform these values into probabilities (real values between 0 and 1 which sum to 1) by applying the softmax function, which basically squeezes its input into an output with the desired attributes. The relative order of its inputs stays the same, so the class with the highest score stays the class with the highest probability. The softmax function’s output probability distribution is then compared to the true probability distribution, which has a probability of 1 for the correct class and 0 for all other classes.

We use a measure called cross-entropy to compare the two distributions (a more technical explanation can be found here). The smaller the cross-entropy, the smaller the difference between the predicted probability distribution and the correct probability distribution. This value represents the loss in our model.

Luckily TensorFlow handles all the details for us by providing a function that does exactly what we want. We compare logits, the model’s predictions, with labels_placeholder, the correct class labels. The output of sparse_softmax_cross_entropy_with_logits() is the loss value for each input image. We then calculate the average loss value over the input images.

But how can we change our parameter values to minimize the loss? This is where TensorFlow works its magic. Via a technique called auto-differentiation it can calculate the gradient of the loss with respect to the parameter values. This means that it knows each parameter’s influence on the overall loss and whether decreasing or increasing it by a small amount would reduce the loss. It then adjusts all parameter values accordingly, which should improve the model’s accuracy. After this parameter adjustment step the process restarts and the next group of images are fed to the model.

TensorFlow knows different optimization techniques to translate the gradient information into actual parameter updates. Here we use a simple option called gradient descent which only looks at the model’s current state when determining the parameter updates and does not take past parameter values into account.

Gradient descent only needs a single parameter, the learning rate, which is a scaling factor for the size of the parameter updates. The bigger the learning rate, the more the parameter values change after each step. If the learning rate is too big, the parameters might overshoot their correct values and the model might not converge. If it is too small, the model learns very slowly and takes too long to arrive at good parameter values.

The process of categorizing input images, comparing the predicted results to the true results, calculating the loss and adjusting the parameter values is repeated many times. For bigger, more complex models the computational costs can quickly escalate, but for our simple model we need neither a lot of patience nor specialized hardware to see results.

These two lines measure the model’s accuracy. argmax of logits along dimension 1 returns the indices of the class with the highest score, which are the predicted class labels. The labels are then compared to the correct class labels by tf.equal(), which returns a vector of boolean values. The booleans are cast into float values (each being either 0 or 1), whose average is the fraction of correctly predicted images.

We’re finally done defining the TensorFlow graph and are ready to start running it. The graph is launched in a session which we can access via the sess variable. The first thing we do after launching the session is initializing the variables we created earlier. In the variable definitions we specified initial values, which are now being assigned to the variables.

Then we start the iterative training process which is to be repeated max_steps times.

These lines randomly pick a certain number of images from the training data. The resulting chunks of images and labels from the training data are called batches. The batch size (number of images in a single batch) tells us how frequent the parameter update step is performed. We first average the loss over all images in a batch, and then update the parameters via gradient descent.

If instead of stopping after a batch, we first classified all images in the training set, we would be able to calculate the true average loss and the true gradient instead of the estimations when working with batches. But it would take a lot more calculations for each parameter update step. At the other extreme, we could set the batch size to 1 and perform a parameter update after every single image. This would result in more frequent updates, but the updates would be a lot more erratic and would quite often not be headed in the right direction.

Usually an approach somewhere in the middle between those two extremes delivers the fastest improvement of results. For bigger models memory considerations are very relevant too. It’s often best to pick a batch size that is as big as possible, while still being able to fit all variables and intermediate results into memory.

Here the first line of code picks batch_size random indices between 0 and the size of the training set. Then the batches are built by picking the images and labels at these indices.

Every 100 iterations we check the model’s current accuracy on the training data batch. To do this, we just need to call the accuracy-operation we defined earlier.

This is the most important line in the training loop. We tell the model to perform a single training step. We don’t need to restate what the model needs to do in order to be able to make a parameter update. All the info has been provided in the definition of the TensorFlow graph already. TensorFlow knows that the gradient descent update depends on knowing the loss, which depends on the logits which depend on weights, biases and the actual input batch.

We therefore only need to feed the batch of training data to the model. This is done by providing a feed dictionary in which the batch of training data is assigned to the placeholders we defined earlier.

After the training is completed, we evaluate the model on the test set. This is the first time the model ever sees the test set, so the images in the test set are completely new to the model. We’re evaluating how well the trained model can handle unknown data.

The final lines print out how long it took to train and run the model.

Results

Let’s run the model with with the command “python softmax.py”. Here is how my output looks like:

Step 0: training accuracy 0.14 Step 100: training accuracy 0.32 Step 200: training accuracy 0.3 Step 300: training accuracy 0.23 Step 400: training accuracy 0.26 Step 500: training accuracy 0.31 Step 600: training accuracy 0.44 Step 700: training accuracy 0.33 Step 800: training accuracy 0.23 Step 900: training accuracy 0.31 Test accuracy 0.3066 Total time: 12.42s

What does this mean? The accuracy of evaluating the trained model on the test set is about 31%. If you run the code yourself, your result will probably be around 25–30%. So our model is able to pick the correct label for an image it has never seen before around 25–30% of the time. That’s not bad!

There are 10 different labels, so random guessing would result in an accuracy of 10%. Our very simple method is already way better than guessing randomly. If you think that 25% still sounds pretty low, don’t forget that the model is still pretty dumb. It has no notion of actual image features like lines or even shapes. It looks strictly at the color of each pixel individually, completely independent from other pixels. An image shifted by a single pixel would represent a completely different input to this model. Considering this, 25% doesn’t look too shabby anymore.

What would happen if we trained for more iterations? That would probably not improve the model’s accuracy. If you look at results, you can see that the training accuracy is not steadily increasing, but instead fluctuating between 0.23 and 0.44. It seems to be the case that we have reached this model’s limit and seeing more training data would not help. This model is not able to deliver better results. In fact, instead of training for 1000 iterations, we would have gotten a similar accuracy after significantly fewer iterations.

One last thing you probably noticed: the test accuracy is quite a lot lower than the training accuracy. If this gap is quite big, this is often a sign of overfitting. The model is then more finely tuned to the training data it has seen, and it is not able to generalize as well to previously unseen data.

This post has turned out to be quite long already. I’d like to thank you for reading it all (or for skipping right to the bottom)! I hope you found something of interest to you, whether it’s how a machine learning classifier works or how to build and run a simple graph with TensorFlow. Of course, there is still a lot of material that I would like to add. So far, we have only talked about the softmax classifier, which isn’t even using any neural nets.

My next blog post changes that: Find out how much using a small neural network model can improve the results! Read it here.

Thanks for reading. You can also check out other articles I’ve written on my blog.