本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
图片来源：Pexels，作者：Arthur Ogleznev
原题| TRANSFER LEARNING TUTORIAL
作者| Sasank Chilamkurthy
原文| https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html#transfer-learning-tutorial
译者| kbsc13(“算法猿的成长”公众号作者)
声明| 翻译是出于交流学习的目的，欢迎转载，但请保留本文出于，请勿用作商业或者非法用途
简介
本次教程主要介绍如何用深度学习实现迁移学习。更多更详细的迁移学习知识可以查看 cs231n 课程–https://cs231n.github.io/transfer-learning/
实际应用中，很少人会从头开始，通过随机初始化来训练一个卷积神经网络，因为拥有足够数量的数据集太少了。通常，大家都会选择一个在比较大的数据集（比如 ImageNet 数据集，1000个类别总共120万张图片）上训练好的预训练模型，然后对卷积神经网络进行初始化，或者用于提取特征。
迁移学习的两大主要应用场景：
微调网络：采用预训练模型对网络进行初始化，而不是随机初始化，这种做法可以更快收敛，同时也能取得更好的效果。
作为一个特征提取器：这种应用会将除了最后的全连接层外的网络层都固定权重参数，然后最后的全连接层会根据数据集类别数量进行修改输出，并随机初始化其权值，然后训练该层。
本文的教程，代码中需要导入的模型如下所示：
# 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() # interactive mode
加载数据
加载数据这部分将采用 torchvision 和 torch.utils.data 两个模块。
本次教程的目标是训练一个二分类模型，类别是蚂蚁和蜜蜂，因此数据集中分别包含了 120 张蚂蚁和蜜蜂的训练图片，然后每个类别还包含 75 张图片作为验证集。也就是说这个数据集总管只有 390 张图片，不到一千张图片，是一个非常小的数据集，如果从头训练模型，很难获得很好的泛化能力。因此，本文将对这个数据集采用迁移学习的方法来得到更好的泛化能力。
获取本文数据集和代码，可以在公众号后台回复“ pytorch迁移学习 ”获取。
加载数据的代码如下所示：
# 数据增强方法，训练集会实现随机裁剪和水平翻转，然后进行归一化
# 验证集仅仅是裁剪和归一化，并不会做数据增强
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])
]),
}
# 数据集所在文件夹
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")
可视化图片
首先可视化一些训练图片，以便于更好理解数据增强。代码如下所示：
# 图片展示的函数
def imshow(inp, title=None):
"""Imshow for Tensor."""
# 逆转操作，从 tensor 变回 numpy 数组需要转换通道位置
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])
# 从归一化后变回原始图片
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
# 获取一个 batch 的训练数据
inputs, classes = next(iter(dataloaders['train']))
# Make a grid from batch
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
展示的图片如下所示：
训练模型
加载数据后，就是开始进行训练模型，这里会介绍以下两个内容：
制定学习率的策略
保存最佳模型
在下面的代码中，参数 scheduler 是采用 torch.optim.lr_scheduler 初始化的 LR 策略对象：
# 训练模型的函数
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)
# 每个 epoch 都分为训练阶段和验证阶段
for phase in ['train', 'val']:
# 注意训练和验证阶段，需要分别对 model 的设置
if phase == 'train':
scheduler.step()
model.train() # Set model to training mode
else:
model.eval() # Set model to evaluate mode
running_loss = 0.0
running_corrects = 0
# Iterate over data.
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# 清空参数的梯度
optimizer.zero_grad()
# 只有训练阶段才追踪历史
with torch.set_grad_enabled(phase == 'train'):
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
loss = criterion(outputs, labels)
# 训练阶段才进行反向传播和参数的更新
if phase == 'train':
loss.backward()
optimizer.step()
# 记录 loss 和 准确率
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))
# deep copy the model
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))
# 载入最好的模型参数
model.load_state_dict(best_model_wts)
return model
上述函数实现了模型的训练，在一个 epoch 中分为训练和验证阶段，训练阶段自然需要前向计算加反向传播，并更新网络层的参数，但验证阶段只需要前向计算，然后记录 loss 和验证集上的准确率即可。
此外就是需要设置保存模型的条件，这里是当每次验证集的准确率都高于之前最好的准确率时，保存模型。
可视化模型的预测结果
下面定义了一个可视化模型预测结果的函数，用于展示图片和模型对该图片的预测类别信息：
# 可视化模型预测结果，即展示图片和模型对该图片的预测类别信息，默认展示 6 张图片
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)
微调网络
这部分就是本次迁移学习的核心内容，前面都是正常的加载数据、定义训练过程的代码，这里介绍的就是如何进行微调网络，代码如下所示：
# 加载 resnet18 网络模型，并且设置加载预训练模型 model_ft = models.resnet18(pretrained=True) num_ftrs = model_ft.fc.in_features # 修改输出层的输出数量，本次采用的数据集类别为 2 model_ft.fc = nn.Linear(num_ftrs, 2) model_ft = model_ft.to(device) criterion = nn.CrossEntropyLoss() # 对所有网络层参数进行更新 optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9) # 学习率策略，每 7 个 epochs 乘以 0.1 exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
这一步因为是设置加载预训练模型，所以运行后会下载预训练的 resnet18 网络模型文件
训练和验证
接下来开始正式训练网络模型了，代码如下所示，如果采用 cpu，大约需要 15-25 分钟的过程，而如果采用 gpu，那幺速度就很快了，基本一分钟左右就训练完成了。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
训练结果：
可视化模型预测结果：
visualize_model(model_ft)
可视化结果如下：
用于特征提取器
刚刚是用于微调网络，即将预训练模型用于初始化网络层的参数，接下来介绍迁移学习的第二种用法，作为特征提取器，也就是固定预训练模型部分的网络层的权值参数，这部分的实现代码，如下所示，其中需要将卷积层部分的参数固定，即设置 requires_grad==False ，这样在反向传播过程就不会计算它们的梯度，更多内存可以查看 https://pytorch.org/docs/notes/autograd.html#excluding-subgraphs-from-backward
model_conv = torchvision.models.resnet18(pretrained=True)
# 固定卷积层的权重参数
for param in model_conv.parameters():
param.requires_grad = False
# 新的网络层的参数默认 requires_grad=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()
# 只对输出层的参数进行更新
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)
# 学习率策略，每 7 个 epochs 乘以 0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
再次进行训练：
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
训练结果：
可视化网络的预测结果
visualize_model(model_conv) plt.ioff() plt.show()
输出结果：
小结
本文教程简单介绍了迁移学习的内容，通过训练一个二分类模型，简单介绍迁移学习的两个用法，微调网络和用于固定的特征提取器。
本文代码地址：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/pytorch_transfer_learning_example.ipynb
Be First to Comment