下面文章將高維數(shù)據(jù)應(yīng)用于深度卷積神經(jīng)網(wǎng)絡(luò)中，采用實(shí)驗(yàn)與分析比對方式，證明高維數(shù)據(jù)應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)中的可能性，大規(guī)模的模擬和傳感器設(shè)備陣列與現(xiàn)今日益龐大的計(jì)算資源相結(jié)合，產(chǎn)生了海量的復(fù)雜高維數(shù)據(jù)集，這些數(shù)據(jù)集應(yīng)用在眾多領(lǐng)域的研究中。與此同時(shí)，計(jì)算機(jī)視覺與模式識(shí)別領(lǐng)域的研究者們?nèi)〉昧嗽S多重大突破，尤其是卷積神經(jīng)網(wǎng)絡(luò)近年來在該領(lǐng)域取得的成就尤為突出。

　　關(guān)鍵詞：數(shù)據(jù)可視化,深度學(xué)習(xí),卷積神經(jīng)網(wǎng)絡(luò),計(jì)算機(jī)視覺

　　深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)分支，起源于人工智能領(lǐng)域，其起源可以追溯到1980年提出的新認(rèn)知機(jī)[1]概念，而現(xiàn)代深度神經(jīng)網(wǎng)絡(luò)得以發(fā)展離不開向后傳播算法[2]的提出，現(xiàn)代深度神經(jīng)網(wǎng)絡(luò)基本上都使用反向傳播(BackPropagation，BP)算法進(jìn)行訓(xùn)練。

　　之后很長一段時(shí)間內(nèi)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練由于BP神經(jīng)網(wǎng)絡(luò)模型帶來的梯度彌散(GradientDiffusion)，直到Hinton[3]在2006年提出的逐層訓(xùn)練方法才重新將人們的目光轉(zhuǎn)向深度神經(jīng)網(wǎng)絡(luò)。隨著近年傳感器技術(shù)發(fā)展以及越來越強(qiáng)大越來越容易獲取的計(jì)算資源，出現(xiàn)了許多復(fù)雜高維數(shù)據(jù)集。在這一類數(shù)據(jù)集上使用淺層機(jī)器學(xué)習(xí)模型的表現(xiàn)通常會(huì)變差。例如K近鄰(K-NearsertNeighbor，KNN)學(xué)習(xí)是一種常用的監(jiān)督學(xué)習(xí)方法，常用于分類問題，其工作機(jī)制非常簡單;給定測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的K個(gè)訓(xùn)練樣本，然后基于這K個(gè)近鄰的信息來進(jìn)行預(yù)測。在模式識(shí)別領(lǐng)域中，最近鄰居法是一種用于分類和回歸的非參數(shù)統(tǒng)計(jì)學(xué)方法。在這兩種情況下，輸入包含特征空間中的K個(gè)最接近的訓(xùn)練樣本。

　　近年來，計(jì)算機(jī)視覺領(lǐng)域取得許多引人注目的成果，尤其是卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks，CNNs)在分類、目標(biāo)檢測問題上取得了優(yōu)異成績。因此，本文通過對比K近鄰模型與卷積神經(jīng)網(wǎng)絡(luò)在高維度數(shù)據(jù)集上的表現(xiàn)，證明卷積神經(jīng)網(wǎng)絡(luò)處理高維數(shù)據(jù)集有優(yōu)異的性能。

　　1模型選取及構(gòu)建

　　在機(jī)器學(xué)習(xí)的模型上，選取了具有代表性的KNN模型作為淺層機(jī)器學(xué)習(xí)模型的代表。卷積神經(jīng)網(wǎng)絡(luò)方面，構(gòu)建了2個(gè)卷積神經(jīng)網(wǎng)絡(luò)的模型作為卷積神經(jīng)網(wǎng)絡(luò)對比項(xiàng)。

　　1.1ResNet50-mini使用了基于ResNet50[4]裁剪后的迷你版作為實(shí)驗(yàn)的第一階段的卷積神經(jīng)網(wǎng)絡(luò)模型，在卷積層尺度上進(jìn)行相應(yīng)縮小。使用殘差網(wǎng)絡(luò)隨著深度增加，準(zhǔn)確度也會(huì)隨之增加。其中Conv2，Conv3，Conv4，Conv5層均是由殘差塊組成的一系列卷積層池化層。基于RestNet50層模型修改而來的縮小版的架構(gòu)，我們稱之為ResNet50-mini。

　　1.26層CNN對于實(shí)驗(yàn)第二階段使用了一個(gè)6層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)由1層卷積層、1層池化層、4層全連接層組成。

　　2實(shí)驗(yàn)

　　實(shí)驗(yàn)主要分為兩個(gè)階段：第一階段，對比KNN與ResNet50-mini在同一數(shù)據(jù)集以及相同劃分下對分類任務(wù)的準(zhǔn)確度。第二階段，對比KNN與6層卷積神經(jīng)網(wǎng)絡(luò)在統(tǒng)一數(shù)據(jù)以及同一劃分下對分類任務(wù)的準(zhǔn)確度，來獲得更具有普遍性的結(jié)論。

　　2.1實(shí)驗(yàn)階段一

　　2.1.1實(shí)驗(yàn)數(shù)據(jù)選擇與處理

　　實(shí)驗(yàn)階段一使用的數(shù)據(jù)集為加州大學(xué)歐文(爾灣)分校(UniversityofCaliforniaIrvine，UCI)的可穿戴計(jì)算體態(tài)運(yùn)動(dòng)分類數(shù)據(jù)集[5]。此數(shù)據(jù)集一共有18列，165632條數(shù)據(jù)，使用4個(gè)三軸加速傳感器記錄了8h的活動(dòng)數(shù)據(jù)，將活動(dòng)分為5類(坐，坐下，站立，站起，行走)。將數(shù)據(jù)集按1∶4比例隨機(jī)劃分訓(xùn)練集以及測試集，訓(xùn)練集為124224條數(shù)據(jù)測試集有41409條數(shù)據(jù)。選取年齡、身高、體重、BMI指數(shù)、4個(gè)三軸傳感器數(shù)據(jù)，一共16列作為特征值。

　　這兩張的4×4大小的灰階圖片都包含著可以用來判斷體態(tài)行為的所有數(shù)據(jù)。雖然通過肉眼看上去，這兩張圖片好像有著很大的差異，但是事實(shí)上，這兩張圖片所表示的數(shù)據(jù)都屬于同一類體態(tài)。KNN算法在此數(shù)據(jù)集上的表現(xiàn)為99.54%的準(zhǔn)確率。

　　2.1.2訓(xùn)練ResNet50-mini模型

　　使用ResNet50-mini模型，模型使用的優(yōu)化算法為Adam算法[6]，損失函數(shù)為多類交叉熵(categoricalcrossentropy)函數(shù)。如圖3所示，ResNet50-mini經(jīng)過10個(gè)Epoch的訓(xùn)練損失和準(zhǔn)確率的變化情況。可以直觀地看到，損失下降得很快，隨著損失的快速下降，訓(xùn)練集的準(zhǔn)確率也在不斷提升。經(jīng)過1000個(gè)Epoch的訓(xùn)練，ResNet50-mini在測試集上的分類精度達(dá)到了99.56%。

　　2.2實(shí)驗(yàn)階段二

　　2.2.1實(shí)驗(yàn)數(shù)據(jù)選擇與處理

　　實(shí)驗(yàn)階段二使用的數(shù)據(jù)維數(shù)較實(shí)驗(yàn)階段一使用的數(shù)據(jù)更為龐大。選用的數(shù)據(jù)集為NIPS2003特征選取挑戰(zhàn)賽中5個(gè)數(shù)據(jù)集之一的Arcene數(shù)據(jù)集[7]。Arcene數(shù)據(jù)集的任務(wù)是使用大量的質(zhì)譜數(shù)據(jù)分辨目標(biāo)是否患有癌癥。Arcene數(shù)據(jù)集一共包含有900條數(shù)據(jù)訓(xùn)練集、驗(yàn)證集、測試集分別來自3個(gè)不同的來源。其中訓(xùn)練集、驗(yàn)證集各100條數(shù)據(jù)，測試集700條數(shù)據(jù)，但未給出標(biāo)注。選取ml-benchmarks中的已標(biāo)注的100條數(shù)據(jù)作為測試集。其中，每條數(shù)據(jù)有10000個(gè)特征。

　　這是Arcene數(shù)據(jù)集中一條數(shù)據(jù)展開成100×100大小矩陣所轉(zhuǎn)化成的灰度圖片。與實(shí)驗(yàn)階段一不同的是，通過肉眼已經(jīng)無法看出其中存在的模式。

　　2.2.2訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)

　　將數(shù)據(jù)集中的測試集、驗(yàn)證集與驗(yàn)證集合并，并隨機(jī)劃分為270條數(shù)據(jù)為訓(xùn)練集，30條數(shù)據(jù)為測試集。本階段實(shí)驗(yàn)選取的模型為4層卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練中使用的優(yōu)化算法為Adam算法，損失函數(shù)為多類交叉熵(categoricalcrossentropy)函數(shù)。ARCENE數(shù)據(jù)集在6層卷積神經(jīng)網(wǎng)絡(luò)上的訓(xùn)練情況可以看出，雖然一開始損失很大，但是隨著訓(xùn)練的時(shí)間開始快速下降，100個(gè)Epoch訓(xùn)練后分類準(zhǔn)確度達(dá)到69.99%。

　　2.3實(shí)驗(yàn)結(jié)果

　　在實(shí)驗(yàn)階段一中，KNN在UCI可穿戴體態(tài)分類數(shù)據(jù)集上進(jìn)行多分類任務(wù)準(zhǔn)確度可以達(dá)到99.54%，而卷積神經(jīng)網(wǎng)絡(luò)ResNet50-mini在這一任務(wù)上的表現(xiàn)則為99.56%。階段二中，KNN在ARCENE數(shù)據(jù)集上的表現(xiàn)為53.33%，而6層卷積神經(jīng)網(wǎng)絡(luò)在這一任務(wù)上可以達(dá)到69.99%的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果如表3所示，無論在ResNet50-mini這樣深度較大的神經(jīng)網(wǎng)絡(luò)或是一個(gè)6層卷積神經(jīng)網(wǎng)絡(luò)，對高維數(shù)據(jù)集的分類任務(wù)都有著優(yōu)異的表現(xiàn)。

　　3結(jié)語

　　經(jīng)過兩個(gè)階段的實(shí)驗(yàn)，可以直觀地看出深度卷積神經(jīng)網(wǎng)絡(luò)在提取高維數(shù)據(jù)集特征以及處理分類任務(wù)上有著優(yōu)異的表現(xiàn)，取得了普通淺層機(jī)器學(xué)習(xí)模型難以達(dá)到的成績。通過淺層機(jī)器學(xué)習(xí)模型來處理這一類高維數(shù)據(jù)集的分類問題是有一定難度的，通常需要消耗大量的時(shí)間來預(yù)處理數(shù)據(jù)或使用一些方法來降低維度。而卷積神經(jīng)網(wǎng)絡(luò)在關(guān)于圖片視頻的計(jì)算機(jī)視覺問題上擁有的優(yōu)勢可以運(yùn)用在傳統(tǒng)的高維數(shù)據(jù)集中[8]。實(shí)驗(yàn)表明，對于高維數(shù)據(jù)集，深度卷積神經(jīng)網(wǎng)絡(luò)往往有著比KNN更優(yōu)異的性能。通過較短時(shí)間的訓(xùn)練，對于高維數(shù)據(jù)集的分類問題上能夠達(dá)到較KNN更高的準(zhǔn)確度。

　　[參考文獻(xiàn)]

　　[1]FUKUSHIMAK.Neocognitron:aself-organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics，1980(4)：193-202.

　　[2]WERBOSP.Beyondregression:newtoolsforpredictionandanalysisinthebehavioralscience[D].Massachusetts：HarvardUniversity，1974.

　　[3]HINTONGE，SALAKHUTDINOVRR.Reducingthedimensionalityofdatawithneuralnetworks[J].Science，2006(5786)：504-507.

　　[4]HEK，ZHANGX，RENS，etal.Deepresiduallearningforimagerecognition[C].LasVegas：IEEEConferenceonComputerVisionandPatternRecognition，2016.

　　[5]UGULINOW，CARDADORD，VEGAK，etal.Wearablecomputing:accelerometers’dataclassificationofbodyposturesandmovements[C].Curitiba：BrazilianConferenceonAdvancesinArtificialIntelligence.Springer-Verlag，2012.

　　[6]KINGMAD，BAJ.Adam:amethodforstochasticoptimization[J].ComputerScience，2014(10)：22.

　　[7]GUYONI.DesignofexperimentsfortheNIPS2003variableselectionbenchmark[J].Science，2003(6)：8-12.

　　[8]盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016(1)：1-17

　　相關(guān)范文閱讀：大數(shù)據(jù)時(shí)代數(shù)據(jù)質(zhì)量存在何種挑戰(zhàn)

　　在互聯(lián)網(wǎng)的廣泛應(yīng)用下，已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代，對于企業(yè)來說，自身的發(fā)展也離不開數(shù)據(jù)質(zhì)量，而在大數(shù)據(jù)時(shí)代，數(shù)據(jù)存在著不定時(shí)更新的性質(zhì)，數(shù)據(jù)質(zhì)量也面臨了巨大的挑戰(zhàn)。下面文章就是在大數(shù)據(jù)時(shí)代對于數(shù)據(jù)質(zhì)量的挑戰(zhàn)展開研究，分析了大數(shù)據(jù)的特性，以及其中存在的問題，在這樣的前提下，數(shù)據(jù)質(zhì)量如何應(yīng)對挑戰(zhàn)也是本文探究的重點(diǎn)。