使用MXNet远程编写卷积神经网络用于多标签分类

shixiang

最近试试深度学习能做点什么事情。MXNet是一个与Tensorflow类似的开源深度学习框架，在GPU显存利用率上效率高，比起Tensorflow显著节约显存，并且天生支持分布式深度学习，单机多卡、多机多卡支持丰富，拥有着良好的技术架构。目前是亚马逊AWS的官方深度学习框架。由于其团队以MXNet产品本身为先，所以文档资料较少。现在还稍微多了一点。

1. 搭建Jupyter notebook远程开发环境
Jupyter notebook支持python、R、shell等等，功能非常全面。基于Jupyter notebook，我在实验室的K80 GPUs服务器上搭建MXNet环境（搭建步骤见官网，很简单，131上已装好），然后利用SSH隧道传输，可以随时随地在浏览器里编程，使代码加速运行在K80 GPUs设备上。

Step-by-step教程见博客：http://www.cnblogs.com/shixiangwan/p/6406777.html

此外，Jupyter notebook默认的主题不好看，可以定制更喜欢的编程字体：https://github.com/dunovank/jupyter-themes

2. 卷积神经网络（CNN）

CNN较适合于矩阵特征，例如图像分类，目标检测。生物信息学方面，蛋白质的二级结构预测也有相关paper，牛津出版社的《Deep learning in bioinformatics》叙述很详细（点击看大图）：


当然，CNN也是非常基础的，目前还有RNN（递归神经网络），LSTM（长短记忆网络，NLP和speech领域居多），残差网络（更深且快的卷积网络），GAN（生成对抗网络，亦有很多衍生结构）等等，技术更迭非常之快，一个比较好的书籍是《Deep Learning》，Github上有民间中文版。

对于一些多标签分类任务，想方法把特征做成矩阵形式，也可以利用CNN做分类。这里我写了个试验性程序来证明CNN比传统的多层感知机要优秀些。

1. 数据描述：RNA亚细胞定位特征数据。有14489个样本，34维特征，42维标签。
2. 程序试验：数据直接进入CNN肯定过拟合，于是我将每个特征复制34份形成34*34矩阵（这样做是不对的，只是先跑通CNN）。训练集：验证集：测试集=8:1:1，然后接入普通的卷积网络，用测试集看最终结果。
3. 运行过程：https://github.com/ShixiangWan/i ... ics/mxnet-bio.ipynb
4. 源码及数据：https://github.com/ShixiangWan/i ... ster/Bioinformatics
5. 结果描述：准确率96.5%，这个计算方式是14489*0.1*42=60858个测试样本标签中，有58723个分对的。推测：在更复杂的蛋白质二级结构预测方面，卷积神经网络可能有着更好的效果。


程序运行需要（131全都有）：
1. MXNet环境
2. Python 2.7环境，numpy包，jupyter包


-----------  2017年4月11日 更新 -----------

今天突然明白了为什么我们序列预测的值都一样了。因为我们的卷积网络全连接前面的输出值就已经基本一样了，那么预测值一样就是肯定的。那么为什么卷积网络全连接前面的输出值基本一样呢？因为我们必须保证卷积的矩阵具有实际的局部数字意义，这也是卷积网络更擅长图片的原因。


其中，σ是激活函数，如sigmod；b是共享偏置，w是共享权重，a是矩阵元素。这即是输入层到隐含层的feature map。卷积矩阵需要有局部数字意义，激活函数才能发挥作用，卷积网络输出值才会有分类效果。黑白图片表示成01矩阵，彩色图片表示成3通道RGB矩阵，它们会形成规范的、有实际局部数字意义的矩阵，如手写数字图片矩阵：



上面矩阵，很明显能看出矩阵具有局部意义，代表手写数字2，这个局部特征能确保sigmod激活函数能够对特征进行正常的赋权重。再看我们随机构造的特征：



上面矩阵几乎让人摸不到头脑，寻找其中的抽象特征也是几乎不可能。而使用序列构造出的特征也没有任何二维局部意义。各个序列长度不同甚至相差巨大，还要有缺省值处理（大量补零等措施）。假设序列样本长度在100~10000，对于很多较短的序列要补充非常多的0且无局部意义，这些操作进一步使得激活函数丧失作用。最后在多次卷积后，每个样本的输出特征几乎一样。

参考资料：http://neuralnetworksanddeeplearning.com/chap6.html

zouquan

赞啊，之前那个RNA亚细胞定位效果不好的数据集可以试试啊

另外，蛋白质序列转化成矩阵的代码邢鹏威有。

shixiang

zouquan 发表于 2017-3-14 21:18
赞啊，之前那个RNA亚细胞定位效果不好的数据集可以试试啊

另外，蛋白质序列转化成矩阵的代码邢鹏威有。

回老师，这个就是那个RNA亚细胞定位数据集，效果竟然这么好，我再分析分析这是为啥。

zouquan

shixiang 发表于 2017-3-14 21:24
回老师，这个就是那个RNA亚细胞定位数据集，效果竟然这么好，我再分析分析这是为啥。

你用的是CD-HIT之前的还是之后的？如果是之前的，我记得正常方法效果也好。
另外，我记得CD-HIT之后的二类分类（细胞核内，核外），之前效果也不好

shixiang

zouquan 发表于 2017-3-14 22:45
你用的是CD-HIT之前的还是之后的？如果是之前的，我记得正常方法效果也好。
另外，我记得CD-HIT之后的二 ...

这是CD-HIT之后的数据，pseinone中的sc-general方法提取的特征。回头我试试鹏威那个转矩阵的代码效果怎样～

zouquan

shixiang 发表于 2017-3-14 23:34
这是CD-HIT之后的数据，pseinone中的sc-general方法提取的特征。回头我试试鹏威那个转矩阵的代码效果怎样 ...

深度学习还是需要提取特征？
我以为直接用序列就可以分类了呢。

shixiang

zouquan 发表于 2017-3-15 01:09
深度学习还是需要提取特征？
我以为直接用序列就可以分类了呢。

对的，也要提取特征。自然语言处理里面，单词有word2vec等方法提取特征；图片里面可以用RGB值作特征。我感觉深度学习很适合处理特征层次很低、样本数上百万上千万的场景，所以尤其适合搞图像，但也有好多生物信息学应用。还有就是调参优化很困难，衍生的网络结构也特别丰富。如果能借鉴一些关于2016年最新的GAN、ResNET（CVPR 2016的最佳论文）这些思想，且能有不错的多标签分类提升，这样的工作还是蛮创新的，在谷歌学术上还没有生信相关工作出现。

RockRabbit

shixiang 发表于 2017-3-15 10:55
对的，也要提取特征。自然语言处理里面，单词有word2vec等方法提取特征；图片里面可以用RGB值作特征。 ...

首先，这个工作很赞啊。

有个疑问，你在统计准确率的时候，我看更多像是把它当作多类分类问题进行统计，我建议你可以输出absolute accuracy，这样接近多标签的分类结果。

另外，CNN好像有学习特征的功能，不知道能否把最后学习到的特征保存呢？

shixiang

RockRabbit 发表于 2017-3-15 12:27
首先，这个工作很赞啊。

有个疑问，你在统计准确率的时候，我看更多像是把它当作多类分类问题进行统计 ...

应该是可以的，自编码，不过我还不太清楚机制，持续研究中，有新的成果再分享给大家~

linwei

赞, 学习下快速实现的能力;
这里有别人整理的深度学习在生物信息学上应用的文章列表, 更新到2017-01, 里面有篇CNN + RNN 在蛋白质二级结构预测方面的应用（2016-04 | Protein Secondary Structure Prediction Using Cascaded Convolutional and Recurrent Neural Networks | Zhen Li and Yizhou Yu | Arxiv）, 或许可以参考下。
https://github.com/gokceneraslan/awesome-deepbio