PyTorch迁移学习
PyTorch迁移学习
实际中,基本没有人会从零开始(随机初始化)训练一个完整的卷积网络,因为相对于网络,很难得到一个足够大的数据集[网络很深, 需要足够大数据集]。通常的做法是在一个很大的数据集上进行预训练,得到卷积网络ConvNet, 然后,将这个ConvNet的参数,作为目标任务的初始化参数,或者固定这些参数。
转移学习的两个主要场景:
• 微调Convnet:使用预训练的网络(如在imagenet 1000上训练而来的网络),来初始化自己的网络,而不是随机初始化。其它的训练步骤不变。
• 将Convnet看成固定的特征提取器: 首先固定ConvNet,除了最后的全连接层外的其他所有层。最后的全连接层被替换成一个新的随机初始化的层,只有这个新的层会被训练[只有这层参数会在反向传播时更新]
下面是利用PyTorch进行迁移学习步骤,要解决的问题是,训练一个模型来对蚂蚁和蜜蜂进行分类。
1.导入相关的包
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
2.加载数据
要解决的问题是,训练一个模型来分类蚂蚁ants和蜜蜂bees。ants和bees各有约120张训练图片。每个类有75张验证图片。从零开始,在如此小的数据集上进行训练,通常是很难泛化的。由于使用迁移学习,模型的泛化能力会相当好。该数据集是imagenet的一个非常小的子集。下载数据,并将其解压缩到当前目录。
#训练集数据扩充和归一化
#在验证集上仅需要归一化
data_transforms = {
‘train’: transforms.Compose([
transforms.RandomResizedCrop(224), #随机裁剪一个area然后再resize
transforms.RandomHorizontalFlip(), #随机水平翻转
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”)
3.可视化部分图像数据
可视化部分训练图像,以便了解数据扩充。
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
获取一批训练数据
inputs, classes = next(iter(dataloaders[‘train’]))
批量制作网格
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
4.训练模型
编写一个通用函数来训练模型。下面将说明: * 调整学习速率 * 保存最好的模型
下面的参数scheduler,是一个来自 torch.optim.lr_scheduler的学习速率调整类的对象(LR scheduler object)。
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
since = time.time()
best_model_wts = copy.deepcopy(model.state_dict())
best_acc = 0.0for epoch in range(num_epochs):print('Epoch {}/{}'.format(epoch, num_epochs - 1))print('-' * 10)# 每个epoch都有一个训练和验证阶段for phase in ['train', 'val']:if phase == 'train':scheduler.step()model.train() # Set model to training modeelse:model.eval() # Set model to evaluate moderunning_loss = 0.0running_corrects = 0# 迭代数据.for inputs, labels in dataloaders[phase]:inputs = inputs.to(device)labels = labels.to(device)# 零参数梯度optimizer.zero_grad()# 前向# track history if only in trainwith torch.set_grad_enabled(phase == 'train'):outputs = model(inputs)_, preds = torch.max(outputs, 1)loss = criterion(outputs, labels)# 后向+仅在训练阶段进行优化if phase == 'train':loss.backward()optimizer.step()# 统计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))# 深度复制moif phase == 'val' and epoch_acc > best_acc:best_acc = epoch_accbest_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))# 加载最佳模型权重
model.load_state_dict(best_model_wts)
return model
5.可视化模型的预测结果
#一个通用的展示少量预测图片的函数
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 += 1ax = 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)returnmodel.train(mode=was_training)
6.场景1:微调ConvNet
加载预训练模型,重置最终完全连接的图层。
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()
观察所有参数都正在优化
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)
每7个epochs衰减LR通过设置gamma=0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
训练和评估模型
(1)训练模型 该过程在CPU上,需要大约15-25分钟,但是在GPU上,它只需不到一分钟。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
• 输出
Epoch 0/24
train Loss: 0.7032 Acc: 0.6025
val Loss: 0.1698 Acc: 0.9412
Epoch 1/24
train Loss: 0.6411 Acc: 0.7787
val Loss: 0.1981 Acc: 0.9281
·
·
·
Epoch 24/24
train Loss: 0.2812 Acc: 0.8730
val Loss: 0.2647 Acc: 0.9150
Training complete in 1m 7s
Best val Acc: 0.941176
(2)模型评估效果可视化
visualize_model(model_ft)
• 输出
•
7.场景2:ConvNet作为固定特征提取器
需要冻结除最后一层之外的所有网络。通过设置requires_grad == Falsebackward()
来冻结参数,这样在反向传播backward()的时候,梯度就不会被计算。
model_conv = torchvision.models.resnet18(pretrained=True)
for param in model_conv.parameters():
param.requires_grad = False
Parameters of newly constructed modules have requires_grad=True by default
num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)
model_conv = model_conv.to(device)
criterion = nn.CrossEntropyLoss()
Observe that only parameters of final layer are being optimized as
opposed to before.
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)
Decay LR by a factor of 0.1 every 7 epochs
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
训练和评估
(1)训练模型 在CPU上,与前一个场景相比,这将花费大约一半的时间,因为不需要为大多数网络计算梯度。但需要计算转发。
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
• 输出
Epoch 0/24
train Loss: 0.6400 Acc: 0.6434
val Loss: 0.2539 Acc: 0.9085
·
·
·
Epoch 23/24
train Loss: 0.2988 Acc: 0.8607
val Loss: 0.2151 Acc: 0.9412
Epoch 24/24
train Loss: 0.3519 Acc: 0.8484
val Loss: 0.2045 Acc: 0.9412
Training complete in 0m 35s
Best val Acc: 0.954248
(2)模型评估效果可视化
visualize_model(model_conv)
plt.ioff()
plt.show()
• 输出
8.文件下载
• py文件
• jupyter文件
PyTorch迁移学习相关推荐
- PyTorch 迁移学习 (Transfer Learning) 代码详解
PyTorch 迁移学习 代码详解 概述 为什么使用迁移学习 更好的结果 节省时间 加载模型 ResNet152 冻层实现 模型初始化 获取需更新参数 训练模型 获取数据 完整代码 概述 迁移学习 ( ...
- Pytorch迁移学习加载部分预训练权重
迁移学习在图像分类领域非常常见,利用在超大数据集上训练得到的网络权重,迁移到自己的数据上进行训练可以节约大量的训练时间,降低欠拟合/过拟合的风险. 如果用原生网络进行迁移学习非常简单,其核心是 mod ...
- 计算机视觉PyTorch迁移学习 - (二)
图像迁移学习 3.PyTorch实现迁移学习 3.1数据集预处理 3.2构建模型 3.3模型训练与验证 3.PyTorch实现迁移学习 文件目录 3.1数据集预处理 这里实现一个蚂蚁与蜜蜂的图像分类, ...
- PyTorch迁移学习-私人数据集上的蚂蚁蜜蜂分类
1. 迁移学习的两个主要场景 微调CNN:使用预训练的网络来初始化自己的网络,而不是随机初始化,然后训练即可 将CNN看成固定的特征提取器:固定前面的层,重写最后的全连接层,只有这个新的层会被训练 下 ...
- pytorch迁移学习载入部分权重
载入权重是迁移学习的重要部分,这个权重的来源可以是官方发布的预训练权重,也可以是你自己训练的权重并载入模型进行继续学习.使用官方预训练权重,这样的权重包含的信息量大且全面,可以适配一些小数据的任务,即 ...
- 【学习笔记】pytorch迁移学习-猫狗分类实战
1.迁移学习入门 什么是迁移学习:在深度神经网络算法的引用过程中,如果我们面对的是数据规模较大的问题,那么在搭建好深度神经网络模型后,我们势必要花费大量的算力和时间去训练模型和优化参数,最后耗费了这么 ...
- pytorch迁移学习后使用微调策略再次提高模型训练结果
1.使迁移的模型解冻 for param in model.parameters():param.requires_grad=True 2.此时学习速率设置再小些 optimizer=torch.op ...
- pytorch迁移学习--模型建立的代码实现
1.选择基础模型 model=torchvision.models.vgg16(pretrained=True) 2.看一下模型结构 代码:
- 基于Pytorch迁移学习+集成学习的水果霉变区分设计与实现
1.数据集的介绍 此次采用的数据集中有六种水果,六种水果都有自己的对应的好坏水果集, 数据量:一共12050张图片,包含训练集,测试集和验证集,训练集:共7240张图片,测试集:共1796张图片,验证 ...
最新文章
- OpenCV学习笔记(12)——OpenCV中的轮廓
- 导师:寒假复现几篇顶会论文?答:3天1篇!
- arm-none-linux-gnueabi,安装交叉编译器arm-none-linux-gnueabi-gcc 过程
- python 文字语音朗读-python 利用pyttsx3文字转语音
- 不同项目之间的控件共享
- [AX]AX2012开发新特性-全文索引
- 洛谷P1912:诗人小G(二分栈、决策单调性)
- plsql例外_大例外背后的真相
- 计算机视觉论文-2021-07-01
- 查看 linux 网络状态命令,Linux操作系统常用的网络状态查询命令
- 计算机教师的幸福,如何成为一名幸福信息技术教师
- Tkinter 的 Text 组件
- 设计模式(7)——适配器模式
- (14)数据结构-二叉排序树
- programmer-common-word-pronunciation 程序员常用单词发音
- 全基因组关联分析(GWAS)常见问题(工具,概念,脚本)
- flashfxp用什么协议连接服务器,flashfxp怎么连接,flashfxp怎么连接,具体的连接方法...
- php下载源文件绕开下载地址,Fengcms 最新版v1.24任意文件下载(绕过过滤)
- 制导武器的分布式半实物仿真系统研究
- PS实战操作之滤镜、通道
热门文章
- Go 学习笔记(66)— Go 并发同步原语(sync.Mutex、sync.RWMutex、sync.Once)
- 提高班第三周周记(中秋第二天)
- BERT可视化工具bertviz体验
- Map再整理,从底层源码探究HashMap
- 聊一聊Spring中的线程安全性
- 摄像头ISP系统原理(上)
- Java基础语法运算和控制符
- connot not ensure the target project location exist and is accessible
- Error:Could not download guava.jar (com.google.guava:guava:19.0): No cached version available for of
- Plugin with id 'com.novoda.bintray-release' not found的解决方法