G-Ghost-RegNet实战:使用G-Ghost-RegNet实现图像分类任务(一)
文章目录
- 摘要
- 安装包
- 安装timm
- 数据增强Cutout和Mixup
- EMA
- 导入g_ghost_regnet.py文件
- 项目结构
- 计算mean和std
- 生成数据集
摘要
论文地址:https://arxiv.org/abs/2201.03297
代码地址:https://github.com/huawei-noah/CV-Backbones
讲解视频:https://www.zhihu.com/zvideo/1584651719241363457
上篇实战介绍了华为的GhostNet,上面的论文中,将GhostNet成为C-GhostNet,C-GhostNet中为实现轻量化,使用了一些低运算密度的操作。低运算密度使得GPU的并行计算能力无法被充分利用,从而导致C-GhostNet在GPU等设备上糟糕的延迟,因此需要设计一种适用于GPU设备的Ghost模块。
作者等人发现,现有大多数CNN架构中,一个阶段通常包括几个卷积层/块,同时在每个阶段中的不同层/块,特征图的尺寸大小相同,因此一种猜想是:特征的相似性和冗余性不仅存在于一个层内,也存在于该阶段的多个层之间。下图的可视化结果验证了这种想法(如右边第三行第二列和第七行第三列的特征图存在一定相似性)。
作者等人利用观察到的阶段性特征冗余,设计G-Ghost模块并应用于GPU等设备,实现了一个在GPU上具有SOTA性能的轻量级CNN。G-Ghost中g_ghost_regnetx_160模型在ImageNet上取的了79.9%的成绩。
我这篇文章主要讲解如何使用G-Ghost完成图像分类任务,接下来我们一起完成项目的实战。经过测试,G-Ghost在植物幼苗数据集上实现了97+%的准确率。
通过这篇文章能让你学到:
- 如何使用数据增强,包括transforms的增强、CutOut、MixUp、CutMix等增强手段?
- 如何实现G-Ghost模型实现训练?
- 如何使用pytorch自带混合精度?
- 如何使用梯度裁剪防止梯度爆炸?
- 如何使用DP多显卡训练?
- 如何绘制loss和acc曲线?
- 如何生成val的测评报告?
- 如何编写测试脚本测试测试集?
- 如何使用余弦退火策略调整学习率?
- 如何使用AverageMeter类统计ACC和loss等自定义变量?
- 如何理解和统计ACC1和ACC5?
- 如何使用EMA?
安装包
安装timm
使用pip就行,命令:
pip install timm
数据增强Cutout和Mixup
为了提高成绩我在代码中加入Cutout和Mixup这两种增强方式。实现这两种增强需要安装torchtoolbox。安装命令:
pip install torchtoolbox
Cutout实现,在transforms中。
from torchtoolbox.transform import Cutout
# 数据预处理
transform = transforms.Compose([transforms.Resize((224, 224)),Cutout(),transforms.ToTensor(),transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])
需要导入包:from timm.data.mixup import Mixup,
定义Mixup,和SoftTargetCrossEntropy
mixup_fn = Mixup(mixup_alpha=0.8, cutmix_alpha=1.0, cutmix_minmax=None,prob=0.1, switch_prob=0.5, mode='batch',label_smoothing=0.1, num_classes=12)criterion_train = SoftTargetCrossEntropy()
参数详解:
mixup_alpha (float): mixup alpha 值,如果 > 0,则 mixup 处于活动状态。
cutmix_alpha (float):cutmix alpha 值,如果 > 0,cutmix 处于活动状态。
cutmix_minmax (List[float]):cutmix 最小/最大图像比率,cutmix 处于活动状态,如果不是 None,则使用这个 vs alpha。
如果设置了 cutmix_minmax 则cutmix_alpha 默认为1.0
prob (float): 每批次或元素应用 mixup 或 cutmix 的概率。
switch_prob (float): 当两者都处于活动状态时切换cutmix 和mixup 的概率 。
mode (str): 如何应用 mixup/cutmix 参数(每个’batch’,‘pair’(元素对),‘elem’(元素)。
correct_lam (bool): 当 cutmix bbox 被图像边框剪裁时应用。 lambda 校正
label_smoothing (float):将标签平滑应用于混合目标张量。
num_classes (int): 目标的类数。
EMA
EMA(Exponential Moving Average)是指数移动平均值。在深度学习中的做法是保存历史的一份参数,在一定训练阶段后,拿历史的参数给目前学习的参数做一次平滑。具体实现如下:
""" Exponential Moving Average (EMA) of model updatesHacked together by / Copyright 2020 Ross Wightman
"""
import logging
from collections import OrderedDict
from copy import deepcopy
import torch
import torch.nn as nn_logger = logging.getLogger(__name__)class ModelEma:def __init__(self, model, decay=0.9999, device='', resume=''):# make a copy of the model for accumulating moving average of weightsself.ema = deepcopy(model)self.ema.eval()self.decay = decayself.device = device # perform ema on different device from model if setif device:self.ema.to(device=device)self.ema_has_module = hasattr(self.ema, 'module')if resume:self._load_checkpoint(resume)for p in self.ema.parameters():p.requires_grad_(False)def _load_checkpoint(self, checkpoint_path):checkpoint = torch.load(checkpoint_path, map_location='cpu')assert isinstance(checkpoint, dict)if 'state_dict_ema' in checkpoint:new_state_dict = OrderedDict()for k, v in checkpoint['state_dict_ema'].items():# ema model may have been wrapped by DataParallel, and need module prefixif self.ema_has_module:name = 'module.' + k if not k.startswith('module') else kelse:name = knew_state_dict[name] = vself.ema.load_state_dict(new_state_dict)_logger.info("Loaded state_dict_ema")else:_logger.warning("Failed to find state_dict_ema, starting from loaded model weights")def update(self, model):# correct a mismatch in state dict keysneeds_module = hasattr(model, 'module') and not self.ema_has_modulewith torch.no_grad():msd = model.state_dict()for k, ema_v in self.ema.state_dict().items():if needs_module:k = 'module.' + kmodel_v = msd[k].detach()if self.device:model_v = model_v.to(device=self.device)ema_v.copy_(ema_v * self.decay + (1. - self.decay) * model_v)
加入到模型中。
#初始化
if use_ema:model_ema = ModelEma(model_ft,decay=model_ema_decay,device='cpu',resume=resume)# 训练过程中,更新完参数后,同步update shadow weights
def train():optimizer.step()if model_ema is not None:model_ema.update(model)# 将model_ema传入验证函数中
val(model_ema.ema, DEVICE, test_loader)
导入g_ghost_regnet.py文件
文件的路径:https://github.com/huawei-noah/Efficient-AI-Backbones/tree/master/g_ghost_pytorch
将其导入到项目的根目录,然后,对其做修改:
由于我们使用g_ghost_regnetx_160,增加g_ghost_regnetx_160预训练模型配置字典。
default_cfgs = {'g_ghost_regnetx_160':'https://github.com/huawei-noah/Efficient-AI-Backbones/releases/tag/g_ghost_regnet/g_ghost_regnet_16.0g_79.9.pth',
}
然后对g_ghost_regnetx_160函数做修改,增加预训练模型参数的加载。由于预训练模型比g_ghost_regnetx_160多了module.
这个参数,所以要将这个参数去掉,否则无法正确加载。
def g_ghost_regnetx_160(pretrained=False,**kwargs):model=GGhostRegNet(Bottleneck, [2, 6, 13, 1], [256, 512, 896, 2048], group_width=128, **kwargs)if pretrained:url = default_cfgs['g_ghost_regnetx_160']checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu")out_dict = collections.OrderedDict()for k, v in checkpoint.items():k=k.replace('module.','')out_dict[k] = vprint(out_dict.keys())model.load_state_dict(out_dict)return model
项目结构
G_Ghost_demo
├─data1
│ ├─Black-grass
│ ├─Charlock
│ ├─Cleavers
│ ├─Common Chickweed
│ ├─Common wheat
│ ├─Fat Hen
│ ├─Loose Silky-bent
│ ├─Maize
│ ├─Scentless Mayweed
│ ├─Shepherds Purse
│ ├─Small-flowered Cranesbill
│ └─Sugar beet
├─mean_std.py
├─makedata.py
├─g_ghost_regnet.py
├─train.py
└─test.py
mean_std.py:计算mean和std的值。
makedata.py:生成数据集。
为了能在DP方式中使用混合精度,还需要在模型的forward函数前增加@autocast()。
计算mean和std
为了使模型更加快速的收敛,我们需要计算出mean和std的值,新建mean_std.py,插入代码:
from torchvision.datasets import ImageFolder
import torch
from torchvision import transformsdef get_mean_and_std(train_data):train_loader = torch.utils.data.DataLoader(train_data, batch_size=1, shuffle=False, num_workers=0,pin_memory=True)mean = torch.zeros(3)std = torch.zeros(3)for X, _ in train_loader:for d in range(3):mean[d] += X[:, d, :, :].mean()std[d] += X[:, d, :, :].std()mean.div_(len(train_data))std.div_(len(train_data))return list(mean.numpy()), list(std.numpy())if __name__ == '__main__':train_dataset = ImageFolder(root=r'data1', transform=transforms.ToTensor())print(get_mean_and_std(train_dataset))
数据集结构:
运行结果:
([0.3281186, 0.28937867, 0.20702125], [0.09407319, 0.09732835, 0.106712654])
把这个结果记录下来,后面要用!
生成数据集
我们整理还的图像分类的数据集结构是这样的
data
├─Black-grass
├─Charlock
├─Cleavers
├─Common Chickweed
├─Common wheat
├─Fat Hen
├─Loose Silky-bent
├─Maize
├─Scentless Mayweed
├─Shepherds Purse
├─Small-flowered Cranesbill
└─Sugar beet
pytorch和keras默认加载方式是ImageNet数据集格式,格式是
├─data
│ ├─val
│ │ ├─Black-grass
│ │ ├─Charlock
│ │ ├─Cleavers
│ │ ├─Common Chickweed
│ │ ├─Common wheat
│ │ ├─Fat Hen
│ │ ├─Loose Silky-bent
│ │ ├─Maize
│ │ ├─Scentless Mayweed
│ │ ├─Shepherds Purse
│ │ ├─Small-flowered Cranesbill
│ │ └─Sugar beet
│ └─train
│ ├─Black-grass
│ ├─Charlock
│ ├─Cleavers
│ ├─Common Chickweed
│ ├─Common wheat
│ ├─Fat Hen
│ ├─Loose Silky-bent
│ ├─Maize
│ ├─Scentless Mayweed
│ ├─Shepherds Purse
│ ├─Small-flowered Cranesbill
│ └─Sugar beet
新增格式转化脚本makedata.py,插入代码:
import glob
import os
import shutilimage_list=glob.glob('data1/*/*.png')
print(image_list)
file_dir='data'
if os.path.exists(file_dir):print('true')#os.rmdir(file_dir)shutil.rmtree(file_dir)#删除再建立os.makedirs(file_dir)
else:os.makedirs(file_dir)from sklearn.model_selection import train_test_split
trainval_files, val_files = train_test_split(image_list, test_size=0.3, random_state=42)
train_dir='train'
val_dir='val'
train_root=os.path.join(file_dir,train_dir)
val_root=os.path.join(file_dir,val_dir)
for file in trainval_files:file_class=file.replace("\\","/").split('/')[-2]file_name=file.replace("\\","/").split('/')[-1]file_class=os.path.join(train_root,file_class)if not os.path.isdir(file_class):os.makedirs(file_class)shutil.copy(file, file_class + '/' + file_name)for file in val_files:file_class=file.replace("\\","/").split('/')[-2]file_name=file.replace("\\","/").split('/')[-1]file_class=os.path.join(val_root,file_class)if not os.path.isdir(file_class):os.makedirs(file_class)shutil.copy(file, file_class + '/' + file_name)
完成上面的内容就可以开启训练和测试了。
G-Ghost-RegNet实战:使用G-Ghost-RegNet实现图像分类任务(一)相关推荐
- 实战解决使用ghost安装系统出现的各种问题
昨天使用ghost给人安装系统时,把另一个分区的数据都搞没了,安装完也只剩下一个分区,相信了解的同志们知道是什么原因. 今天下决心研究了一下ghost. 首先使用了一张深度的xp盘,设置为光驱优先引导 ...
- 联想ghost重装系统_一键ghost,详细教您使用一键ghost怎么重装win7系统
讲起这个重装系统的方法跟操作,相信广大的用户听的最多的,用的最多的,看的最多的,就是U盘安装系统,硬盘安装系统以及渐渐退隐江湖的光盘重装系统,这几样了,那么不知道你们有没有听过,或者使用过一键重装系统 ...
- java中输出a个b_下面代码输出什么 ( ) var a=0,b=0; for(;a10,b7;a++,b++){ g=a+b; } console.log(g);_学小易找答案...
[单选题]Java Script 函数说法正确的是 () [单选题]阅读下面的 Javascript 代码 , 输出结果正确的是( ) var i=0; for(i=0;i<=5;i++){ i ...
- g标签 怎么设置svg_svg g标签的运用
在svg中提供了如g元素这样的将多个元素组织在一起的元素. 由g元素编组在一起的可以设置相同的颜色,可以进行坐标变换 下面是运用了snap.svg.js的实例 // 创建一个svg 对象 var ...
- (离散)设函数 f:A→B,g:B→C,证明:若g °f是满射,则g是满射.
设函数f:A→B,g:B→C,证明:若g °f是满射,则g是满射. 解析:要证满射 g:B→C,对 ∀ c ∈C,∃ b∈B,c = g(b),则g满射
- 6阶群的非平凡子群_当|G|=8时,群lt;G,*gt;只能有?阶非平凡子群,不能有?阶子群,平凡子群为?...
匿名用户 1级 2013-01-02 回答 试卷二十四试题与答案 一.填空题每空1分本大题共15分 1设432aA143aB请在下列每对集合中填入适当的符号. 1a B 2 34a A. 2设10AN ...
- Ghost v11 for U3 and Ghost Explorer v11 for U3
Symantec Ghost v11 for U3 and Ghost Explorer v11 for U3
- 联想ghost重装系统_手动ghost安装系统详细操作步骤
ghost是什么意思?ghost在英文的意思则是魔鬼,通常我们会使用ghost来恢复gho系统镜像文件,该怎么使用ghost来恢复win7 64位系统呢?如何手动操作ghost来重装Win7 64位系 ...
- 服务器系统ghost蓝屏,win7系统ghost安装一半蓝屏的解决方法
我们在操作win7系统电脑的时候,常常会遇到win7系统ghost安装一半蓝屏的困惑吧,一些朋友看过网上零散的win7系统ghost安装一半蓝屏的处理方法,并没有完完全全明白win7系统ghost安装 ...
- linux系统硬盘ghost吗,将linux硬盘ghost到另一颗去
将linux硬盘ghost到另一颗去 发布时间:2005-09-29 00:04:16来源:红联作者:cha 要将linux完完全全的备份到另一颗抽取式硬盘,如果linux挂了,可以立刻升上来备援!! ...
最新文章
- Web 开发最有用的 jQuery 插件集锦
- DHCP服务器的搭建
- 第十三周项目一-分数类中的运算符重载
- 人工智能70年商业变现艰难,新基建能否催生规模化落地?
- 第十七部分-Python文档和测试
- 19 | 案例篇:为什么系统的Swap变高了(上)
- java cpu过高排查_涨薪秘籍:JAVA项目排查cpu负载过高
- linux的基础知识——shell语法
- SpringBoot怎么直接访问templates下的html页面
- 安卓--selector简单使用
- 小叮当的2021年年终总结
- 查询ES(ElasticSearch)版本
- 三运放差分放大电路分析_三运放组成的差分放大器电路图及特点
- 八皇后时间复杂度_【精神分裂症】首次发病未治疗精神分裂症患者大脑皮质复杂度改变...
- 信奥要学哪些数学知识 学信奥要不要先学python
- 计算机音乐来自天堂的魔鬼,来自天堂的魔鬼
- Matlab GUI编程技巧(十五):scroll滚动到组件内的位置及ScrollBar动画演示
- elementui 打包后icon图标加载偶尔会乱码
- 小说里的编程 【连载之二十三】元宇宙里月亮弯弯
- Go语言sqlx库操作PostgreSQL数据库增删改查