mxnet入门--第5篇

在第4篇中，我们介绍了如何轻松地使用预训练版Inception v3模型进行物体识别。本文将使用另外两个著名的卷积神经网络（CNN）模型（VGG19和ResNet-152），并将其与Inception v3的效果进行对比。

CNN的架构（来源：Nvidia）

VGG16

诞生于2014年的VGG16是一种16层模型（研究论文），该模型以低至7.4%的物体识别错误率赢得了2014年度ImageNet挑战赛。

ResNet-152

诞生于2015年的ResNet-152是一种152层模型（研究论文），在物体识别方面，该模型以破纪录的3.57%错误率赢得了2015年度ImageNet挑战赛。这一准确率甚至超过了普通的人工识别，人工识别的错误率通常为5%左右。

下载模型

首先再次访问Model zoo。与Inception v3类似，我们需要下载模型的定义和参数。这三个模型都针对相同的分类进行了训练，因此可以继续使用之前的synset.txt文件。

$ wget http://data.dmlc.ml/models/imagenet/vgg/vgg16-symbol.json
$ wget http://data.dmlc.ml/models/imagenet/vgg/vgg16-0000.params
$ wget http://data.dmlc.ml/models/imagenet/resnet/152-layers/resnet-152-symbol.json
$ wget http://data.dmlc.ml/models/imagenet/resnet/152-layers/resnet-152-0000.params

加载模型

这三个模型都使用ImageNet数据集进行过训练，该数据集中图片通常为224x224像素大小。由于数据形态和分类完全相同，因此也可以继续重用之前的代码。

这次只需要更改模型的名称 :) 我们可以为loadModel()和init()函数添加一个参数。

def loadModel(modelname):sym, arg_params, aux_params = mx.model.load_checkpoint(modelname, 0)mod = mx.mod.Module(symbol=sym)mod.bind(for_training=False, data_shapes=[('data', (1,3,224,224))])mod.set_params(arg_params, aux_params)return mod
def init(modelname):model = loadModel(modelname)cats = loadCategories()return model, cats

预测结果对比

我们可以通过同一批图片对三个模型的结果进行对比。

*** VGG16
[(0.58786136, 'n03272010 electric guitar'), (0.29260877, 'n04296562 stage'),
(0.013744719, 'n04487394 trombone'), (0.013494448, 'n04141076 sax, saxophone'),(0.00988709, 'n02231487 walking stick, walkingstick, stick insect')]

可能性最高的两个分类判断结果让人满意，但后续三个结果错得离谱。似乎竖立放置的麦克风支架干扰了模型的识别。

*** ResNet-152
[(0.91063803, 'n04296562 stage'), (0.039011702, 'n03272010 electric guitar'),
(0.031426914, 'n03759954 microphone, mike'), (0.011822623,
'n04286575 spotlight, spot'), (0.0020199812, 'n02676566 acoustic guitar')]

排名第一的预测非常准确，但接下来的四个预测风马牛不相及。

*** Inception v3
[(0.58039135, 'n03272010 electric guitar'), (0.27168664, 'n04296562 stage'),(0.090769522, 'n04456115 torch'), (0.023762707, 'n04286575 spotlight, spot'),
(0.0081428187, 'n03250847 drumstick')]

前两个分类的结果与VGG16极为类似，另外三个结果良莠不齐。

再换张图片试试看。

*** VGG16
[(0.96909302, 'n04536866 violin, fiddle'), (0.026661994, 'n02992211 cello, violoncello'),(0.0017284016, 'n02879718 bow'), (0.00056815811, 'n04517823 vacuum, vacuum cleaner'),
(0.00024804732, 'n04090263 rifle')]*** ResNet-152
[(0.96826887, 'n04536866 violin, fiddle'), (0.028052919, 'n02992211 cello, violoncello'),
(0.0008367821, 'n02676566 acoustic guitar'), (0.00070532493, 'n02787622 banjo'),(0.00039021231, 'n02879718 bow')]*** Inception v3
[(0.82023674, 'n04536866 violin, fiddle'), (0.15483995, 'n02992211 cello, violoncello'),
(0.0044540241, 'n02676566 acoustic guitar'), (0.0020963412, 'n02879718 bow'),
(0.0015099624, 'n03447721 gong, tam-tam')]

三个模型排名第一的预测分数都很高。不过也可以理解，毕竟小提琴的外形在神经网络看来还是很有特点的。

很明显，单凭少数例子还不能得出准确的结论。如果要挑选预训练模型，那么绝对要先准备好训练数据集，使用自己的数据进行测试并酌情决定！

技术指标对比

不同模型的详细评测结果可参阅现有研究论文，例如这一篇。对开发者来说，也许更需要考虑另外两个重要因素：

模型需要多少内存？
模型的预测能有多快？

为了回答第一个问题，可以通过参数文件的大小进行一个粗略的猜测：

VGG16：528MB（约1.4亿个参数）
ResNet-152：230MB（约6000万个参数）
Inception v3：43MB（约2500万个参数）

可见，目前的趋势是使用参数较少的更深度的网络。这样做有两方面收益：训练速度更快（因为网络需要学习的参数更少），并且可以降低内存使用*。

第二个问题更复杂一些，并且取决于很多因素，例如批大小。所以我们对预测调用进行计时然后再次运行看看。

t1 = time.time()
model.forward(Batch([array]))
t2 = time.time()
t = 1000*(t2-t1)
print("Predicted in %2.2f microseconds" % t)

结果就是这样（结果对多次调用取平均值获得）。

*** VGG16
0.30微秒完成预测
*** ResNet-152
0.90微秒完成预测
*** Inception v3
0.40微秒完成预测

总结来说（请自行套用标准免责声明）：

所有三个网络中（目前）ResNet-152准确率最高，但速度也慢了2–3倍。
VGG16速度最快（莫非因为层数少？）但内存用量最高并且准确率最差。
Inception v3几乎最快，同时在准确率和内存使用方面较为平均。这也使得该模型成为某些条件受限的环境中最佳的选择。最后一篇文章中，还将进一步讨论这个问题 :)。

代码已发布至GitHub：mxnet_example3.py, 请自行尝试。

后续内容：

第6篇：通过树莓派进行实时物体检测（并让它讲话！）