(譯) Pytorch 教程：遷移學習

摘要： 這篇文章翻譯自 Pytorch 官方教程 Transfer Learning Tutorial 原作者： Sasank Chilamkurthy Note:點選下載完整示例程式碼 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 c...

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()

下載 Python 原始碼：transfer_learning_tutorial.py

下載 Jupyter Notebook: transfer_learning_tutorial.ipynb