随机梯度下降的实现细节

http://www.miaoerduo.com/deep-learning/%E5%9F%BA%E4%BA%8Ecaffe%E7%9A%84deepid2%E5%AE%9E%E7%8E%B0%EF%BC%88%E4%B8%8A%EF%BC%89.html

最近看了一篇文章，详细说明了随机梯度下降中随机是在create_imagenet.sh中shuffle实现的。

一、设计我们独特的Data层

在DeepID2中，有两种监督信号。一是Identity signal，这和DeepID中的实现方法一样，用给定label的人脸数据，进行分类的训练，这里使用softmax_with_loss层来实现(softmax+cross-entropy loss)。这里不再介绍。

另一种就是verification signal，也就是人脸比对的监督。这里要求，输入的数据时成对存在，每一对都有一个公共的label，是否是同一个类别。如果是同一个identity，则要求他们的特征更接近，如果是不同的identity，则要求他们的特征尽可能远离。

不论最终怎么实现，我们的第一步是确定的，构造合适的数据。

使用Caffe训练的时候，第一步是打Batch，将训练数据写入LMDB或者LevelDB数据库中，训练的时候Caffe会从数据库中读取图片，因此一个简单的实现方法就是构造许多的pair，然后打Batch的时候就能保证每对图片都是相连的，然后在训练的时候做一些小Trick就可以实现。

但是就如上面所说，打Batch的同时，图片的顺序就已经是确定的了，因此网络输入的图片pair也是固定的，这样似乎就缺乏了一些灵活性。

那么如何动态的构造我们的训练数据呢？

设计我们独特的data层。

这里为了方便，使用Python来拓展Caffe的功能。Python是一门简洁的语言，非常适合做这种工作。不过Caffe中如果使用了Python的层，那么就不能使用多GPU了，这点需要注意（希望以后能增加这个支持）。

1）让你的Caffe支持Python拓展。

在Caffe根目录的Makefile.config中，有这么一句话。

我们需要使用Python层，因此需要取消这个注释。

之后Make一下你的Caffe和pycaffe。

这样Caffe就支持Python层了。

2）编写data层

基于Python的data层的编写，Caffe是给了一个简单的例子的，在/caffe_home/examples/pycaffe/layers/中。

我们简单的照着这个例子来写。

首先，我们定义自己需要的参数。

这里，我们需要：

batch_size: batch的大小，没什么好解释的，要求这个数是大于0的偶数
mean_file：图像的均值文件的路径
scale：图像减均值后变换的尺度
image_root_dir：训练数据的根目录
source：训练数据的list路径
crop_size：图像crop的大小
ratio：正样本所占的比例（0~1）

caffe在train.prototxt中定义网络结构的时候，可以传入这些参数。我们目前只需要知道，这些参数一定可以获取到，就可以了。另外，source表示训练数据的list的文件地址，这里用到的训练数据的格式和Caffe打batch的数据一样。

file_path1 label1

file_path2 label2

这样的格式。

Data层的具体实现，首先需要继承caffe.Layer这个类，之后实现setup, forward, backward和reshape，不过data层并不需要backward和reshape。setup主要是为了初始化各种参数，并且设置top的大小。对于Data层来说，forward则是生成数据和label。

闲话少说，代码来见。

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
#-*- encoding: utf-8 -*_
import sys
import caffe
import numpy as np
import os
import os.path as osp
import random
import cv2
class id2_data_layer(caffe.Layer):
 """
    这个python的data layer用于动态的构造训练deepID2的数据
    每次forward会产生多对数据，每对数据可能是相同的label或者不同的label
    """
 def setup(self, bottom, top):
 self.top_names = ['data', 'label']
 # 读取输入的参数
 params = eval(self.param_str)
 print "init data layer"
 print params
 self.batch_size = params['batch_size']  # batch_size
        self.ratio = float(params['ratio'])
 self.scale = float(params['scale'])
 assert self.batch_size > 0 and self.batch_size % 2 == 0, "batch size must be 2X"
 assert self.ratio > 0 and self.ratio < 1, "ratio must be in (0, 1)"
 self.image_root_dir = params['image_root_dir']
 self.mean_file = params['mean_file']       
 self.source = params['source']
 self.crop_size = params['crop_size']
 top[0].reshape(self.batch_size, 3, params['crop_size'], params['crop_size'])
 top[1].reshape(self.batch_size, 1)
 self.batch_loader = BatchLoader(self.image_root_dir, self.mean_file, self.scale, self.source, self.batch_size, self.ratio)
 def forward(self, bottom, top):
 blob, label_list = self.batch_loader.get_mini_batch()
 top[0].data[...] = blob
 top[1].data[...] = label_list
 def backward(self, bottom, top):
 pass
 def reshape(self, bottom, top):
 pass
class BatchLoader(object):
 def __init__(self, root_dir, mean_file, scale, image_list_path, batch_size, ratio):
 print "init batch loader"
 self.batch_size = batch_size
 self.ratio = ratio # true pair / false pair
 self.image2label = {}   # key:image_name    value:label
 self.label2images = {}  # key:label         value: image_name array
 self.images = []        # store all image_name
 self.mean = np.load(mean_file)
 self.scale = scale
 self.root_dir = root_dir
 with open(image_list_path) as fp:
 for line in fp:
 data = line.strip().split()
 image_name = data[0]
 label = data[-1]
 self.images.append(image_name)
 self.image2label[image_name] = label
 if label not in self.label2images:
 self.label2images[label] = []
 self.label2images[label].append(image_name)
 self.labels = self.label2images.keys()
 self.label_num = len(self.labels)
 self.image_num = len(self.image2label)
 print "init batch loader over"
 def get_mini_batch(self):
 image_list, label_list = self._get_batch(self.batch_size / 2)
 cv_image_list = map(lambda image_name: (self.scale * (cv2.imread(os.path.join(self.root_dir, image_name)).astype(np.float32, copy=False).transpose((2, 0, 1)) - self.mean)), image_list)
 blob = np.require(cv_image_list)
 label_blob = np.require(label_list, dtype=np.float32).reshape((self.batch_size, 1))
 return blob, label_blob
 
 def _get_batch(self, pair_num):
 image_list = []
 label_list = []
 for pair_idx in xrange(pair_num):
 if random.random() < self.ratio: # true pair
 while True:
 label_idx = random.randint(0, self.label_num - 1)
 label = self.labels[label_idx]
 if len(self.label2images[label]) > 5:
 break
 first_idx = random.randint(0, len(self.label2images[label]) - 1)
 second_id = random.randint(0, len(self.label2images[label]) - 2)
 if second_id >= first_idx:
 second_id += 1
 image_list.append(self.label2images[label][first_idx])
 image_list.append(self.label2images[label][second_id])
 label_list.append(int(label))
 label_list.append(int(label))
 else:                   # false pair
 for i in xrange(2):
 image_id = random.randint(0, self.image_num - 1)
 image_name = self.images[image_id]
 label = self.image2label[image_name]
 image_list.append(image_name)
 label_list.append(int(label))
 return image_list, label_list

上述的代码可以根据给定的list，batch size，ratio等参数生成符合要求的data和label。这里还有一些问题需要注意：

对输入的参数没有检验。
没有对读取图像等操作做异常处理。因此如果很不幸地读到的图片路径不合法，那么程序突然死掉都是有可能的。。。作者的数据都是可以读的，所以木有问题。
在选取正负样本对的时候，对于正样本对，只有样本对应的label中的图片数大于5的时候，才选正样本（作者的训练数据每个人都有至少几十张图片，所以木有出现问题），如果样本比较少的话，可以更改这个数（特别是有测试集的时候，测试集通常数目都很少，作者训练的时候都是不用测试集的，因为会死循环。。。）。对于选取负样本对的时候，只是随便选了两张图片，而并没有真的保证这一对是不同label，这里考虑到训练数据是比较多的，所以不大可能选中同一个label的样本，因此可以近似代替负样本对。
这里有个减均值的操作，这个均值文件是经过特殊转换求出的numpy的数组。Caffe生成的均值文件是不能直接用的，但是可以通过仿照Caffe中Classifier中的写法来代替（caffe.io.Transformer工具）。另外这里的图片数据和均值文件是一样大小的，但实际上可能并不一定相等。如果需要对输入图片做各种随机化的操作，还需要自己修改代码。

至此，我们就完成了一个简单的Data层了。

那么在么调用自己的data层呢？

这里有一个十分简单的写法。在我们用来训练的prototxt中，将Data层的定义改成如下的方式：

 1
2
3
4
5
6
7
8
9
10
11
12
13
 layer {
     name: "data"
     type: "Python"
     top: "data"
     top: "label"
     include {
         phase: TRAIN
     }    
     python_param {
         module: "id2_data_layer"
         layer: "id2_data_layer"
         param_str: "{'crop_size' : 128, 'batch_size' : 96, 'mean_file': '/your/data/root/mean.npy', 'scale': 0.0078125, 'source': '/path/to/your/train_list', 'image_root_dir': '/path/to/your/image_root/'}"    }
 }
 

python_param中的这三个参数需要注意：

module：模块名，我们先前编写的data层，本身就是一个文件，也就是一个模块，因此模块名就是文件名。

layer：层的名字，我们在文件中定义的类的名字。这里比较巧合，module和layer的名字相同。

param_str：所有的需要传给data层的参数都通过这个参数来传递。这里简单的使用了Python字典的格式的字符串，在data层中使用eval来执行（o(╯□╰)o 这其实并不是一个好习惯），从而获取参数，当然也可以使用别的方式来传递，比如json或者xml等。

最后，你在训练的时候可能会报错，说找不到你刚刚的层，或者找不到caffe，只需要把这个层的代码所在的文件夹的路径加入到PYTHONPATH中即可。

 
 1
 export PYTHONPATH=PYTHONPATH:/path/to/your/layer/:/path/to/caffe/python

这样就完成了我们的Data层的编写，是不是非常简单？

重要更新：
1，作者最近发现直接在image_data_layer.cpp中进行修改，可以更好的实现这个目标，而且支持多GPU。
2，训练的数据可以只用正样本对，因为identity signal已经十分强调不同identity的feature之间的距离，因此verification signal只需要强调相同的identity的feature相近就好。
3，作者新的训练数据，构造pair的方式也做了修改。每次使用所有的数据构造pair，然后用来训练，每个epoch后都重新生成一次list。这样可以保证identity signal能够每次训练所有的图片，而verification signal也能每次训练不同的样本对。