CNN非接触掌纹识别改进过程（二）

1. 学习率衰减

这是之前在实习的时候进行的图像处理课题提供的思路。
学习率衰减策略可以实现两个目的：在训练初期较高的学习率使得网络模型更快的梯度下降，训练后期较小的学习率使得算法更容易收敛到最优值。

1.1 自定义指数衰减算法

DecayedLearningRate=LearningRate∗DecayRateGlobalStep/DacayStepsDecayedLearningRate = LearningRate*DecayRate^{GlobalStep/DacaySteps} DecayedLearningRate=LearningRate∗DecayRateGlobalStep/DacaySteps

其中，
LearningRate是设定的初始学习率；
DecayRate是衰减比率，一般略小于1.0；
DacaySteps是衰减学习率的间隔次数；
GlobalStep是当前的迭代次数；

另外在算法中引入了warm up 机制。

Warm up 预热：
在初始warm_up_step训练中保持一个较大的学习率，以便模型尽快适应数据，当模型趋于稳定之后在按照设定的学习率进行训练：
当step<warm_up_step时，lr = 0.1lr + (lr-0.1lr)(step/warm_up_step) ，
当step>warm_up_step时，lr = decayed_learning_rate 。

def self_adjust_learning_rate(optimizer, train_sum):optimizer.step()warm_up_step = int(EPOCHS * warm_up)if train_sum < warm_up_step:lr = 0.1 * LR + (LR - 0.1 * LR) / warm_up_step * train_sumelse:lr = LR * (decay_rate ** ((train_sum - warm_up_step) // decay_steps))for param_group in optimizer.param_groups:param_group["lr"] = lrreturn lrlr = self_adjust_learning_rate(optimizer, epoch)   # 自定义学习率衰减算法

使用学习率衰减算法后：

BATCH_SIZE = 64 # 定义超参数，每次处理64张图片
DEVICE = torch.device(“cuda” if torch.cuda.is_available() else “cpu”) # 检测电脑上是否有GPU，如果有就使用GPU，如果没有就使用cpu
EPOCHS = 300 # 将数据集训练100轮
LR = 0.001 # 学习率
TRAIN_DIVISION = 3 # 训练集划分占比
warm_up = 5
decay_rate = 0.95
decay_steps = 20

这个结果0.9789是在IITD数据集上得到的，大于之前得到的最好结果 0.951316。

1.2 指数衰减函数

torch.optim.lr_scheduler中提供等间隔调整(Step)、多间隔调整(MultiStep)、指数衰减(Exponential)、余弦退火(CosineAnnealing)、自适应调整(ReduceLROnPlateau)、自定义调整(LambdaLR)等函数实现学习率的调整，参考这篇：Pytorch：学习率衰减及其用法

为了比较，选用了指数衰减函数：

def scheduler_adjust_learning_rate(optimizer, scheduler, train_sum):warm_up_step = int(EPOCHS * warm_up)if train_sum < warm_up_step:optimizer.step()lr = 0.1 * LR + (LR - 0.1 * LR) / warm_up_step * train_sumfor param_group in optimizer.param_groups:param_group["lr"] = lrelse:scheduler.step()lr = scheduler.get_lr()[0]return lrscheduler = lr_scheduler.ExponentialLR(optimizer, gamma=decay_rate)
lr = scheduler_adjust_learning_rate(optimizer, scheduler, epoch)   # 学习率衰减

但结果并不理想，也可能是我使用的方式不正确。

2打乱数据集

在划分数据集时随机划分，并改变比例：

for i, path in enumerate(PATH):data_index = os.listdir(path)data_size = len(data_index)train_size = int(data_size * TRAIN_DIVISION)train_index = random.sample(data_index, train_size)test_index = list(set(data_index) - set(train_index))

TRAIN_DIVISION	RR
0.7	0.9565217391304348
0.8	0.9616122840690979
0.9	0.9846743295019157

似乎训练集占比在0.9的时候识别率最高，但考虑到IITD只有2601幅图片用于训练和测试，有可能是因为用于测试的图片较少，所以识别率相对较高。所以或许可以考虑使用数据增强扩充可供训练的数据。

3.完善代码和流程

将训练结果和相关信息输出到日志中保存，以便再次使用数据和进行对比。
保存每次训练的最优模型，在训练结束后加载模型测试随机选出的掌纹图片，记录测试单张图片的时间。