本文无配图,要查看配图文章,请前去 http://studyai.com/pytorch-1.4/beginner/transfer_learning_tutorial.html
在本教程中,您将学习如何使用迁移学习(transfer learning)来训练您的网络。 你可以在 cs231n 笔记 上读到更多关于转移学习的内容。
引用一段来自笔记的话,
在实践中,很少有人从零开始训练整个卷积网络(随机初始化),因为拥有足够大小的数据集相对较少。 相反,通常在非常大的数据集上对ConvNet进行预训练(例如ImageNet,其中包含120万幅图像,包含1000个类别), 然后使用ConvNet作为初始化或固定特征提取器来执行感兴趣的任务。
两种主要的迁移学习场景如下所示:
微调卷积网络: 我们用预先训练过的网络(比如在ImageNet 1000数据集上训练的网络) 来初始化网络,而不是随机初始化。 初始化以后其余的训练看起来像往常一样。
把ConvNet作为固定特征提取器: 在这里,我们将冻结所有网络的权重,但最终的完全连接层除外。 最后一个完全连接的层被一个具有随机权重的新层所取代,并且只有这个层被训练。
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
# Ignore warnings
import warnings
warnings.filterwarnings("ignore")
plt.ion() # interactive mode
加载数据
我们将使用 torchvision 和 torch.utils.data 包来加载数据。
我们今天要解决的问题是训练一个模型来分类蚂蚁和蜜蜂。 我们有大约120张针对蚂蚁和蜜蜂的训练图像。每个类有75个验证图像。 通常,如果从零开始训练,这是一个非常小的数据集。 由于我们使用迁移学习,我们应该能够合理地泛化。
该数据集是 imagenet 的一个非常小的子集.
Note
从 这里 下载数据并把它们解压到当前工作目录
数据增广和归一化用于训练; 只归一化用于验证
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")
可视化一些图像
让我们可视化一些训练图像,以了解数据增强(data augmentations)。
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
# 获取训练数据的一个批次
inputs, classes = next(iter(dataloaders['train']))
# 把一个批次的图像制作成图像网格
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
训练模型
现在,让我们编写一个通用函数来训练一个模型。在此,我们将说明:
调度学习率
保存最优的模型
在下面的示例中,参数 scheduler 是 torch.optim.lr_scheduler 中的LR调度器对象。
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)
# Each epoch has a training and validation phase
for phase in ['train', 'val']:
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)
# zero the parameter gradients
optimizer.zero_grad()
# forward
# track history if only in train
with torch.set_grad_enabled(phase == 'train'):
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
loss = criterion(outputs, labels)
# backward + optimize only if in training phase
if phase == 'train':
loss.backward()
optimizer.step()
# statistics
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))
# load best model weights
model.load_state_dict(best_model_wts)
return model
可视化模型的预测
显示若干图像的预测结果的通用函数
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)
微调卷积网络
加载一个预训练的模型 并且 重置最终的全连接层。
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()
# 可以看到 网络的所有可训练参数都被优化啦
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)
# 每7个回合(epochs)衰减 LR, 衰减因子是 0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
训练 和 评估
在CPU上它应该需要15-25分钟。不过,在GPU上,它所用的时间还不到一分钟。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
visualize_model(model_ft)
把ConvNet作为固定特征提取器
在这里,我们需要冻结所有的网络,除了最后一层。我们需要设置 requires_grad == False 来冻结参数, 这样梯度就不会在 backward() 中计算。
你可以在文档中查看更多 点这里。
model_conv = torchvision.models.resnet18(pretrained=True)
for param in model_conv.parameters():
param.requires_grad = False
# 最新添加的模块的参数默认情况下 ``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()
# 我们看到 只有最后一层的参数被优化了,这与前面的微调网络是不一样的。
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)
# 每7个回合(epoch)衰减 LR, 衰减因子是 0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
训练和评估
在 CPU 上与上面的微调网络相比这将花费大约一半的时间。 这是预料之中的,因为对大部分网络其梯度不需要计算。然而,前向传播确实需要计算。
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
visualize_model(model_conv)
plt.ioff()
plt.show()