(譯) Pytorch 教程:遷移學習
在這篇教程中,你將會學到如何利用遷移學習來訓練你的網路。你可以通過 cs231n notes 瞭解更多關於遷移學習的資訊。
引用 cs231n notes 中的一段話
在實踐中,很少有人會從頭開始訓練一個卷積神經網路(隨機初始化),因為你很難擁有一個足夠大的資料集。事實上,更常見的做法是先在一個非常大的資料集(比如 ImageNet,該資料集含有涵蓋了 1000 個類別的 120 萬張圖片)上預訓練一個卷積神經網路,然後利用該網路中引數作為初始引數,或者把該網路當作另一項任務的固定特徵提取器。
遷移學習主要在以下兩個場景下使用:
- 網路調優: 使用預訓練網路(比如在 ImageNet 上訓練的網路)中的引數作為初始引數,而不是隨機初始化。其餘部分的訓練流程和往常一樣。
- 固定特徵提取器: 除了最後的全連線層,我們會凍結網路中其餘部分的引數,最後的全連線層中的引數會重新隨機初始化,只有該層中的引數會在訓練中更新。
# License: BSD # Author: Sasank Chilamkurthy from __future__ import print_function, division import torch import torch.nn as nn import torch.optim as optim from torch.optim import lr_scheduler import numpy as np import torchvision from torchvision import datasets, models, transforms import matplotlib.pyplot as plt import time import os import copy plt.ion()# 互動模式
讀取資料
我們將使用 torchvision
和 torch.utils.data
兩個 packages 來讀取資料。
我們今天的目標是建立一個可以分辨 螞蟻 和 蜜蜂 的分類器,但是我們只有螞蟻和蜜蜂的圖片各約 120 張用於訓練,75 張用於驗證集。通常來說,如果要從頭訓練一個模型,這個資料集是非常小的。因此我們要利用遷移學習。
這個資料集是 ImageNet 的一個很小的子集。
Note:從 這裡 下載資料並將其解壓到當前資料夾。
# 對訓練集使用 data augmentation 和 normalization # 對驗證集只使用 normalization data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), } data_dir = 'data/hymenoptera_data' image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4, shuffle=True, num_workers=4) for x in ['train', 'val']} dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']} class_names = image_datasets['train'].classes device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
視覺化一些影象
為了理解 data augmentation,我們來看看一些影象。
def imshow(inp, title=None): """Imshow for Tensor.""" inp = inp.numpy().transpose((1, 2, 0)) mean = np.array([0.485, 0.456, 0.406]) std = np.array([0.229, 0.224, 0.225]) inp = std * inp + mean inp = np.clip(inp, 0, 1) plt.imshow(inp) if title is not None: plt.title(title) plt.pause(0.001)# pause a bit so that plots are updated # 獲取訓練資料中的一個 batch inputs, classes = next(iter(dataloaders['train'])) out = torchvision.utils.make_grid(inputs) imshow(out, title=[class_names[x] for x in classes])
訓練模型
現在,為了訓練模型,我們應該寫一些通用函式。在這裡我們將闡述以下兩點
- Scheduling 學習率
- 儲存最好的模型
下面引數中的 scheduler
是 torch.optim.lr_scheduler
包中的 LR scheduler 物件
def train_model(model, criterion, optimizer, scheduler, num_> Epochs=25): since = time.time() best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0.0 for > Epoch in range(num_> Epochs): print('> Epoch {}/{}'.format(> Epoch, num_> Epochs - 1)) print('-' * 10) # 每次遍歷都要經過訓練集和驗證集 for phase in ['train', 'val']: if phase == 'train': scheduler.step() model.train()# 設定模型為訓練模式 else: model.eval()# 設定模型為驗證模式 running_loss = 0.0 running_corrects = 0 # 迭代 for inputs, labels in dataloaders[phase]: inputs = inputs.to(device) labels = labels.to(device) # 清零梯度 optimizer.zero_grad() # 前向傳播 # 只在訓練時計算梯度 with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) # 只有在訓練時才進行反向傳播和引數更新 if phase == 'train': loss.backward() optimizer.step() # 統計 running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) > Epoch_loss = running_loss / dataset_sizes[phase] > Epoch_acc = running_corrects.double() / dataset_sizes[phase] print('{} Loss: {:.4f} Acc: {:.4f}'.format( phase, > Epoch_loss, > Epoch_acc)) # 找到最好的模型 if phase == 'val' and > Epoch_acc > best_acc: best_acc = > Epoch_acc best_model_wts = copy.deepcopy(model.state_dict()) print() time_elapsed = time.time() - since print('Training complete in {:.0f}m {:.0f}s'.format( time_elapsed // 60, time_elapsed % 60)) print('Best val Acc: {:4f}'.format(best_acc)) # 讀取最好模型 model.load_state_dict(best_model_wts) return model
觀察模型給出的預測
這是一個用於展示預測結果的通用函式
def visualize_model(model, num_images=6): was_training = model.training model.eval() images_so_far = 0 fig = plt.figure() with torch.no_grad(): for i, (inputs, labels) in enumerate(dataloaders['val']): inputs = inputs.to(device) labels = labels.to(device) outputs = model(inputs) _, preds = torch.max(outputs, 1) for j in range(inputs.size()[0]): images_so_far += 1 ax = plt.subplot(num_images//2, 2, images_so_far) ax.axis('off') ax.set_title('predicted: {}'.format(class_names[preds[j]])) imshow(inputs.cpu().data[j]) if images_so_far == num_images: model.train(mode=was_training) return model.train(mode=was_training)
網路調優
讀取一個預訓練網路並重置最後的全連線層
model_ft = models.resnet18(pretrained=True) num_ftrs = model_ft.fc.in_features model_ft.fc = nn.Linear(num_ftrs, 2) model_ft = model_ft.to(device) criterion = nn.CrossEntropyLoss() # 這裡所有引數都會更新 optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9) # 學習率每 7 次迭代以 0.1 為因子衰減 exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
訓練與驗證
在 CPU 上訓練會花費大約 15-25 分鐘,而在 GPU 上則要不了一分鐘。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler, num_> Epochs=25)
輸出:
Epoch 0/24 —————— train Loss: 0.5900 Acc: 0.7131 val Loss: 0.2508 Acc: 0.9020 Epoch 1/24 —————— train Loss: 0.6034 Acc: 0.7828 val Loss: 0.3181 Acc: 0.8627 Epoch 2/24 —————— train Loss: 0.6150 Acc: 0.7582 val Loss: 0.4903 Acc: 0.8366 Epoch 3/24 —————— train Loss: 0.6650 Acc: 0.7377 val Loss: 0.6294 Acc: 0.7582 Epoch 4/24 —————— train Loss: 0.4935 Acc: 0.7828 val Loss: 0.2644 Acc: 0.8889 Epoch 5/24 —————— train Loss: 0.3841 Acc: 0.8238 val Loss: 0.24 08 Acc: 0.9216 Epoch 6/24 —————— train Loss: 0.5352 Acc: 0.8156 val Loss: 0.2250 Acc: 0.9150 Epoch 7/24 —————— train Loss: 0.2252 Acc: 0.9385 val Loss: 0.1917 Acc: 0.9477 Epoch 8/24 —————— train Loss: 0.3395 Acc: 0.8197 val Loss: 0.1738 Acc: 0.9477 Epoch 9/24 —————— train Loss: 0.3363 Acc: 0.8607 val Loss: 0.2522 Acc: 0.9216 Epoch 10/24 —————— train Loss: 0.2878 Acc: 0.8607 val Loss: 0.1787 Acc: 0.9412 Epoch 11/24 —————— train Loss: 0.2831 Acc: 0.8770 val Loss: 0.1805 Acc: 0.9346 Epoch 12/24 —————— train Loss: 0.2290 Acc: 0.9016 val Loss: 0.1898 Acc: 0.9412 Epoch 13/24 —————— train Loss: 0.24 94 Acc: 0.9016 val Loss: 0.1729 Acc: 0.9412 Epoch 14/24 —————— train Loss: 0.3435 Acc: 0.8689 val Loss: 0.1736 Acc: 0.9412 Epoch 15/24 —————— train Loss: 0.2274 Acc: 0.9057 val Loss: 0.1692 Acc: 0.9542 Epoch 16/24 —————— train Loss: 0.3154 Acc: 0.8689 val Loss: 0.1742 Acc: 0.9412 Epoch 17/24 —————— train Loss: 0.2749 Acc: 0.8893 val Loss: 0.1826 Acc: 0.9412 Epoch 18/24 —————— train Loss: 0.2673 Acc: 0.8770 val Loss: 0.1731 Acc: 0.9281 Epoch 19/24 —————— train Loss: 0.2865 Acc: 0.8730 val Loss: 0.1867 Acc: 0.9346 Epoch 20/24 —————— train Loss: 0.3061 Acc: 0.8648 val Loss: 0.1966 Acc: 0.9477 Epoch 21/24 —————— train Loss: 0.2638 Acc: 0.9016 val Loss: 0.1973 Acc: 0.9477 Epoch 22/24 —————— train Loss: 0.2602 Acc: 0.8893 val Loss: 0.1769 Acc: 0.9281 Epoch 23/24 —————— train Loss: 0.2817 Acc: 0.9016 val Loss: 0.1756 Acc: 0.9412 Epoch 24 /24 —————— train Loss: 0.2959 Acc: 0.8730 val Loss: 0.1790 Acc: 0.9281 Training complete in 1m 8s Best val Acc: 0.95424 8
visualize_model(model_ft)
固定特徵提取器
現在,除了最後的全連線層,我們要凍結網路中其餘部分的所有引數。我們使用 requires_grad = False
來凍結引數, bachward()
便不會計算這些引數的梯度。
你可以在 這裡 讀到更多資訊。
model_conv = torchvision.models.resnet18(pretrained=True) for param in model_conv.parameters(): param.requires_grad = False # 新構建模組中的引數的 requires_grad 預設為 True num_ftrs = model_conv.fc.in_features model_conv.fc = nn.Linear(num_ftrs, 2) model_conv = model_conv.to(device) criterion = nn.CrossEntropyLoss() # 現在只有最後的全連線層的引數會更新 optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9) # 學習率每 7 次迭代以 0.1 為因子衰減 exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
訓練與驗證
在 CPU 上,這會花費約之前一半的時間,因為大多數引數的梯度不用計算了,不過這些引數仍然會參與前向傳播。
model_conv = train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler, num_> Epochs=25)
輸出:
Epoch 0/24 —————— train Loss: 0.6463 Acc: 0.6803 val Loss: 0.1949 Acc: 0.9477 Epoch 1/24 —————— train Loss: 0.4923 Acc: 0.8033 val Loss: 0.1696 Acc: 0.9477 Epoch 2/24 —————— train Loss: 0.4234 Acc: 0.8115 val Loss: 0.4379 Acc: 0.7712 Epoch 3/24 —————— train Loss: 0.5606 Acc: 0.7582 val Loss: 0.6383 Acc: 0.7451 Epoch 4/24 —————— train Loss: 0.7560 Acc: 0.7295 val Loss: 0.1888 Acc: 0.9412 Epoch 5/24 —————— train Loss: 0.4316 Acc: 0.8197 val Loss: 0.1999 Acc: 0.9477 Epoch 6/24 —————— train Loss: 0.7722 Acc: 0.7131 val Loss: 0.1975 Acc: 0.9477 Epoch 7/24 —————— train Loss: 0.3685 Acc: 0.8607 val Loss: 0.2000 Acc: 0.9477 Epoch 8/24 —————— train Loss: 0.2968 Acc: 0.8811 val Loss: 0.1916 Acc: 0.9477 Epoch 9/24 —————— train Loss: 0.3396 Acc: 0.8525 val Loss: 0.2165 Acc: 0.9542 Epoch 10/24 —————— train Loss: 0.3885 Acc: 0.8320 val Loss: 0.2109 Acc: 0.9542 Epoch 11/24 —————— train Loss: 0.4107 Acc: 0.8156 val Loss: 0.1881 Acc: 0.9477 Epoch 12/24 —————— train Loss: 0.3249 Acc: 0.8730 val Loss: 0.1747 Acc: 0.9542 Epoch 13/24 —————— train Loss: 0.3439 Acc: 0.8525 val Loss: 0.1950 Acc: 0.9477 Epoch 14/24 —————— train Loss: 0.3641 Acc: 0.8443 val Loss: 0.1992 Acc: 0.9412 Epoch 15/24 —————— train Loss: 0.3272 Acc: 0.8443 val Loss: 0.2320 Acc: 0.9412 Epoch 16/24 —————— train Loss: 0.3102 Acc: 0.8730 val Loss: 0.1867 Acc: 0.9477 Epoch 17/24 —————— train Loss: 0.4226 Acc: 0.8238 val Loss: 0.1872 Acc: 0.9542 Epoch 18/24 —————— train Loss: 0.3452 Acc: 0.8443 val Loss: 0.1812 Acc: 0.9542 Epoch 19/24 —————— train Loss: 0.3697 Acc: 0.8525 val Loss: 0.1890 Acc: 0.9477 Epoch 20/24 —————— train Loss: 0.3078 Acc: 0.8607 val Loss: 0.1976 Acc: 0.9608 Epoch 21/24 —————— train Loss: 0.3161 Acc: 0.8770 val Loss: 0.1982 Acc: 0.9412 Epoch 22/24 —————— train Loss: 0.3749 Acc: 0.8320 val Loss: 0.2035 Acc: 0.9477 Epoch 23/24 —————— train Loss: 0.3298 Acc: 0.8525 val Loss: 0.1855 Acc: 0.9477 Epoch 24/24 —————— train Loss: 0.3597 Acc: 0.8402 val Loss: 0.1878 Acc: 0.9542 Training complete in 0m 34s Best val Acc: 0.960784
visualize_model(model_conv) plt.ioff() plt.show()