全手写resnet50神经网络，分分钟识别“十二生肖“图片-灵析社区
我不是魔法师大家好啊，我是董董灿。
本项目代码地址：gitee.com/iwaihou/res…
前天，我完全手写的算法，并手搭的神经网络，终于成功的识别出一张图片。
点击链接查看出猫现场：我出猫了，第一阶段完成！
成功地识别出来猫，意味着我搭建的整个流程跑通了。
这个流程主要包括了以下几个步骤：
- 图片导入
- 图片预处理：裁减、缩放、归一化
- 输入手写的 Resnet50 中，进行推理，输出 1000 个分类得分
- 从分类文件中查找得分最大的索引对应的类别
虽然流程通了，但是识别一张图片要耗时 40 分钟！这推理速度，简直就是龟速。
忍不了，于是我优化了一波，识别一张图片的耗时直接从40分钟降到1分多钟。
接着我从百度图片中下载了 12 张动物图片 — 组成十二生肖。
输入给了我手写的神经网络，希望它能正确的识别出来，顺便也测试一下网络的鲁棒性。
下面是十二生肖图片的识别结果，至于怎么优化的，在文章最后会有介绍。
子鼠，识别结果为 mink — 水貂，识别错误，扣一分。
不过这个老鼠是不是有那么点像水貂？
丑牛，识别为 ox - 公牛，识别正确！加一分。 而且还是公牛，是根据上翘的尾巴做的区分吗？
寅虎，识别为 tiger - 老虎，识别正确！加一分。
这萌萌的老虎特征这么明显，要是识别错，那可以下班了。
卯兔，识别为 hare - 野兔，识别正确！加一分。
这站立的姿势，警觉地竖起的耳朵，野兔无疑了。
辰龙，识别成 harp - 竖琴，识别错误，不减分。
神经网络识别不出来龙，真的不怪神经网络，因为它的类比分类里就没有中国龙这一类。
不过识别成竖琴的话，看这弯曲的身形，还确实是有点神似。
巳蛇，识别为 garter snake - 袜带蛇，识别正确！加一分。 虽然我不知道什么事袜带蛇，但它说是，就是了。
午马，识别成 Mexican hairless - 墨西哥无毛犬，识别错误，减一分。 这个不应该的。
是不是因为这匹马身上太光滑，没有马儿们标志性的鬃毛么? 但是那飘逸的尾巴，也能说明问题啊。
未羊，识别成 ram - 公羊，算是识别正确吧。
我感觉识别出是绵羊更好一些。
申猴，识别出 macaque - 猕猴，识别正确，加一分。
看这身形和毛发，这么像猕猴桃，是猕猴了！
酉鸡，识别出 cock - 公鸡，识别正确，加一分。这个是送分题。
戌狗，识别出 Samoyed - 萨摩耶，识别正确，加一分。
这一身雪白的气质，小萨独有。
亥猪，识别出 hog - 猪，识别正确，加一分。
二师兄小时候，还是很可爱的。
优化完神经网络之后，识别这 12 张图片，总共花了十来分钟。
十二生肖，共 12 种动物类别，剔除“龙”这一项，因为模型分类中没有，其他11个分类，有两个识别错误，分别是老鼠识别成了水貂，骏马识别成了墨西哥无毛犬。
整体识别成功率 81%，还算不错。
网络优化
下面说一下我是如何将这个网络推理一张图片的耗时，从 40 分钟一张，优化到 1 分钟一张的。
在最开始的版本中，整个推理过程，消耗的 90% 的时间集中在卷积运算中。
尤其是卷积运算中的乘累加部分。
在第一版手写卷积算法时，我为了完全展示卷积的运算逻辑，采用了最原始的多层循环，也就造成了现在的龟速卷积从零手写Resnet50实战—手写龟速卷积。
这种多重循环的写法，时间复杂度O(N^6)，简直是没法忍受的。
于是，我针对卷积的乘累加运算，做了一个简单优化。
向量内积代替标量循环
优化方法也很简单：将最内层的循环乘累加替换成向量内积。
卷积的这种优化方法，在编译器或者指令优化场合很常见：尽可能用向量指令代替循环标量运算。
基本原理就是：原来一个时钟周期只可以计算一次循环的一个标量，而现在一个时钟周期可以计算一个向量。
在 python 的应用代码中，也可以这么做，利用 numpy 提供的 vdot 函数，直接对两个数组做向量内积。 然后加到一个数值上完成累加。
基本就下面一条语句搞定。
acc += np.vdot(img[hi_index][wi_index], weight[co_][kh_][kw_])
就这一点改动，整个网络的推理性能，便从原来的 40 分钟，直接降到了 1 分钟。
阅读量：483
点赞量：0
收藏量:0