pytorch實(shí)戰(zhàn)-圖像分類（二）（模型訓(xùn)練及驗(yàn)證）（基于遷移學(xué)習(xí)（理解+代碼））

這篇具有很好參考價(jià)值的文章主要介紹了pytorch實(shí)戰(zhàn)-圖像分類（二）（模型訓(xùn)練及驗(yàn)證）（基于遷移學(xué)習(xí)（理解+代碼））。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

1.遷移學(xué)習(xí)概念

2.數(shù)據(jù)預(yù)處理

?3.訓(xùn)練模型（基于遷移學(xué)習(xí)）

3.1選擇網(wǎng)絡(luò)，這里用resnet

3.2如果用GPU訓(xùn)練，需要加入以下代碼

3.3卷積層凍結(jié)模塊

3.4加載resnet152模

3.5解釋initialize_model函數(shù)

3.6遷移學(xué)習(xí)網(wǎng)絡(luò)搭建

3.7優(yōu)化器

3.8訓(xùn)練模塊（可以理解為主函數(shù)）

3.9開始訓(xùn)練

3.10微調(diào)

4.測試模型

4.1加載訓(xùn)練好的模型

4.2測試數(shù)據(jù)預(yù)處理

4.3數(shù)據(jù)展示

4.4提取測試數(shù)據(jù)集

4.5計(jì)算提取數(shù)據(jù)集的預(yù)測結(jié)果

4.6展示預(yù)測結(jié)果

參考文獻(xiàn)

1.遷移學(xué)習(xí)概念

先說一下深度學(xué)習(xí)常見的問題：

? ? ? ? 1.數(shù)據(jù)集不夠，通常用數(shù)據(jù)增強(qiáng)解決。

? ? ? ? 2.參數(shù)難以確定，訓(xùn)練時間長，這就需要用遷移學(xué)習(xí)來解決

什么叫遷移學(xué)習(xí)呢：比方說有一個對100w的自行車數(shù)據(jù)集，并用VGG模型訓(xùn)練好的網(wǎng)絡(luò)，而此時你想訓(xùn)練一個1w自行車數(shù)據(jù)集（雖然對象一樣，但采集的數(shù)據(jù)會不同），也用VGG模型進(jìn)行訓(xùn)練，你發(fā)現(xiàn)，你們數(shù)據(jù)集的對象一樣，選用的網(wǎng)絡(luò)模型一樣，此時在初始化自己模型權(quán)重（就是卷積層，池化層和全連接層的參數(shù)）時，可以用人家訓(xùn)練好的模型參數(shù)（如果不這樣就需要隨機(jī)初始化模型權(quán)重），這樣做可以節(jié)省大量尋找最優(yōu)參數(shù)的時間，又可以保證參數(shù)的準(zhǔn)確。

總結(jié)：遷移學(xué)習(xí)就是用別人的東西訓(xùn)練自己的東西，但要注意，為了使用別人的模型參數(shù)，要保證自己的數(shù)據(jù)對象、網(wǎng)絡(luò)結(jié)構(gòu)、輸入和輸出數(shù)據(jù)的結(jié)構(gòu)和別人相同。比方說，別人識別狗，你不能識別貓，別人用VGG你不能用resnet，別人輸入和輸入圖像大小是224×224.你不能是256×256。

進(jìn)一步理解遷移學(xué)習(xí)的使用1：看下圖最大的紅框，表示卷積層，當(dāng)用別人的模型時，對卷積層的兩種處理方式。

? ? ? ? A：作為自己模型權(quán)重的初始化參數(shù)。

? ? ? ? B：凍結(jié)卷積層網(wǎng)絡(luò)，意思是直接用別人的參數(shù)，不再更新。凍結(jié)卷積層網(wǎng)絡(luò)又分幾種情況。

? ? ? ? ? ? ? ? B1：當(dāng)數(shù)據(jù)量小時，凍結(jié)第二大紅框表示的卷積層，剩下卷積層進(jìn)行更新。因?yàn)閿?shù)據(jù)量小時，容易過擬合，直接用別人呢參數(shù)最好。

? ? ? ? ? ? ? ? B2：當(dāng)數(shù)據(jù)量中等時凍結(jié)最小紅框表示的卷積層，剩下的卷積層進(jìn)行更行。

? ? ? ? ? ? ? ? B3：當(dāng)數(shù)據(jù)量足夠大時，不凍結(jié)卷積層，用A的方法，只作為自己模型權(quán)重的初始化參數(shù)。數(shù)據(jù)量大時，雖然對象一樣，但畢竟數(shù)據(jù)不同，會有一定差異，更新參數(shù)是最優(yōu)選擇。

?進(jìn)一步理解遷移學(xué)習(xí)的使用2：說完卷積層，在說一下全連接層，必須要注意不管卷積層選A還是B，全連接層都是要更新的，原因在于，別人模型進(jìn)行圖像分類可能是進(jìn)行1000個分類，而你只進(jìn)行100或者999個分類，那么全連接層的參數(shù)肯定是不同的。

pytorch實(shí)戰(zhàn)-圖像分類（二）（模型訓(xùn)練及驗(yàn)證）（基于遷移學(xué)習(xí)（理解+代碼））,遷移學(xué)習(xí),人工智能,機(jī)器學(xué)習(xí)

2.數(shù)據(jù)預(yù)處理

上接該文：pytorch實(shí)戰(zhàn)-圖像分類（一）（數(shù)據(jù)預(yù)處理）

?3.訓(xùn)練模型（基于遷移學(xué)習(xí)）

3.1選擇網(wǎng)絡(luò)，這里用resnet

model_name = 'resnet'  #可選的比較多 ['resnet', 'alexnet', 'vgg', 'squeezenet', 'densenet', 'inception']
#是否用人家訓(xùn)練好的特征來做
feature_extract = True

3.2如果用GPU訓(xùn)練，需要加入以下代碼

# 是否用GPU訓(xùn)練
train_on_gpu = torch.cuda.is_available()

if not train_on_gpu:
    print('CUDA is not available.  Training on CPU ...')
else:
    print('CUDA is available!  Training on GPU ...')
    
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

3.3卷積層凍結(jié)模塊

def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:
        for param in model.parameters():
            param.requires_grad = False

3.4加載resnet152模

注意：resnet152模型就是別人的模型。

model_ft = models.resnet152()
model_ft

3.5解釋initialize_model函數(shù)

本小節(jié)只是截取pytorch官網(wǎng)的一個例子，用initialize_model說明在pytoch中遷移學(xué)習(xí)怎么使用，不屬于本文代碼

具體操作如下：

? ? ? ? 1.下載別人的模型參數(shù)，這里下載restnet152模型

? ? ? ? 2.選擇需要凍結(jié)的卷積層

? ? ? ? 3.改變?nèi)B接層的輸出個數(shù)，這里將1000改為102

def initialize_model(model_name, num_classes, feature_extract, use_pretrained=True):
    # 選擇合適的模型，不同模型的初始化方法稍微有點(diǎn)區(qū)別
    model_ft = None
    input_size = 0

    if model_name == "resnet":
        """ Resnet152
        """
        model_ft = models.resnet152(pretrained=use_pretrained) #下載resnet152模型
        set_parameter_requires_grad(model_ft, feature_extract) #選擇凍結(jié)哪部分卷積層
        num_ftrs = model_ft.fc.in_features #全連接層的輸入比方說全連接層是2048×1000，這就是2048.
        model_ft.fc = nn.Sequential(nn.Linear(num_ftrs, 102),
                                   nn.LogSoftmax(dim=1)) #原resnet152的全連接層輸出是1000，自己模型需要的輸出是102，進(jìn)行改動。
        input_size = 224
    return model_ft, input_size

3.6遷移學(xué)習(xí)網(wǎng)絡(luò)搭建

model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)

#GPU計(jì)算
model_ft = model_ft.to(device)

#?模型保存
filename='checkpoint.pth'

# 是否訓(xùn)練所有層
params_to_update = model_ft.parameters()
print("Params to learn:")
if feature_extract:
    params_to_update = []
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            params_to_update.append(param)
            print("\t",name)
else:
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            print("\t",name)

3.7優(yōu)化器

就是用該方法更新模型參數(shù)

# 優(yōu)化器設(shè)置
optimizer_ft = optim.Adam(params_to_update, lr=1e-2)
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)#學(xué)習(xí)率每7個epoch衰減成原來的1/10
#最后一層已經(jīng)LogSoftmax()了，所以不能nn.CrossEntropyLoss()來計(jì)算了，nn.CrossEntropyLoss()相當(dāng)于logSoftmax()和nn.NLLLoss()整合
criterion = nn.NLLLoss()

3.8訓(xùn)練模塊（可以理解為主函數(shù)）

def train_model(model, dataloaders, criterion, optimizer, num_epochs=25, is_inception=False,filename=filename):
    since = time.time() #
    best_acc = 0
    """
    checkpoint = torch.load(filename)
    best_acc = checkpoint['best_acc']
    model.load_state_dict(checkpoint['state_dict'])
    optimizer.load_state_dict(checkpoint['optimizer'])
    model.class_to_idx = checkpoint['mapping']
    """
    model.to(device)

    val_acc_history = []
    train_acc_history = []
    train_losses = []
    valid_losses = []
    LRs = [optimizer.param_groups[0]['lr']]

    best_model_wts = copy.deepcopy(model.state_dict())

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # 訓(xùn)練和驗(yàn)證
        for phase in ['train', 'valid']:
            if phase == 'train':
                model.train()  # 訓(xùn)練
            else:
                model.eval()   # 驗(yàn)證

            running_loss = 0.0
            running_corrects = 0

            # 把數(shù)據(jù)都取個遍
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # 清零
                optimizer.zero_grad()
                # 只有訓(xùn)練的時候計(jì)算和更新梯度
                with torch.set_grad_enabled(phase == 'train'):
                    if is_inception and phase == 'train':
                        outputs, aux_outputs = model(inputs)
                        loss1 = criterion(outputs, labels)
                        loss2 = criterion(aux_outputs, labels)
                        loss = loss1 + 0.4*loss2
                    else:#resnet執(zhí)行的是這里
                        outputs = model(inputs)
                        loss = criterion(outputs, labels)

                    _, preds = torch.max(outputs, 1)

                    # 訓(xùn)練階段更新權(quán)重
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # 計(jì)算損失
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / len(dataloaders[phase].dataset)
            epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)
            
            
            time_elapsed = time.time() - since
            print('Time elapsed {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
            print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))
            

            # 得到最好那次的模型
            if phase == 'valid' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())
                state = {
                  'state_dict': model.state_dict(),
                  'best_acc': best_acc,
                  'optimizer' : optimizer.state_dict(),
                }
                torch.save(state, filename)
            if phase == 'valid':
                val_acc_history.append(epoch_acc)
                valid_losses.append(epoch_loss)
                scheduler.step(epoch_loss)
            if phase == 'train':
                train_acc_history.append(epoch_acc)
                train_losses.append(epoch_loss)
        
        print('Optimizer learning rate : {:.7f}'.format(optimizer.param_groups[0]['lr']))
        LRs.append(optimizer.param_groups[0]['lr'])
        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))

    # 訓(xùn)練完后用最好的一次當(dāng)做模型最終的結(jié)果
    model.load_state_dict(best_model_wts)
    return model, val_acc_history, train_acc_history, valid_losses, train_losses, LRs

3.9開始訓(xùn)練

model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer_ft, num_epochs=20, is_inception=(model_name=="inception"))

3.10微調(diào)

在2.9中得到的模型，是凍結(jié)了卷積層，只訓(xùn)練了全連接層，所以此時希望在此基礎(chǔ)上再對卷積層進(jìn)行訓(xùn)練。

for param in model_ft.parameters():
    param.requires_grad = True

# 再繼續(xù)訓(xùn)練所有的參數(shù)，學(xué)習(xí)率調(diào)小一點(diǎn)
optimizer = optim.Adam(params_to_update, lr=1e-4)
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

# 損失函數(shù)
criterion = nn.NLLLoss()

# Load the checkpoint，加載自己的模型

checkpoint = torch.load(filename)
best_acc = checkpoint['best_acc']
model_ft.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
#model_ft.class_to_idx = checkpoint['mapping']

model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer, num_epochs=10, is_inception=(model_name=="inception"))

4.測試模型

4.1加載訓(xùn)練好的模型

model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)

# GPU模式
model_ft = model_ft.to(device)

#?保存文件的名字
filename='seriouscheckpoint.pth'

# 加載模型
checkpoint = torch.load(filename)
best_acc = checkpoint['best_acc']
model_ft.load_state_dict(checkpoint['state_dict'])

4.2測試數(shù)據(jù)預(yù)處理

? ? ? ? 1.測試數(shù)據(jù)處理方法需要跟訓(xùn)練時一直才可以

? ? ? ? 2.crop操作的目的是保證輸入的大小是一致的

? ? ? ? 3.標(biāo)準(zhǔn)化操作也是必須的，用跟訓(xùn)練數(shù)據(jù)相同的mean和std,但是需要注意一點(diǎn)訓(xùn)練數(shù)據(jù)是在0-1上進(jìn)行標(biāo)準(zhǔn)化，所以測試數(shù)據(jù)也需要先歸一化

? ? ? ? 4.PyTorch中顏色通道是第一個維度，跟很多工具包都不一樣，需要轉(zhuǎn)換

def process_image(image_path):
    # 讀取測試數(shù)據(jù)
    img = Image.open(image_path)
    # Resize,thumbnail方法只能進(jìn)行縮小，所以進(jìn)行了判斷
    if img.size[0] > img.size[1]:
        img.thumbnail((10000, 256))
    else:
        img.thumbnail((256, 10000))
    # Crop操作
    left_margin = (img.width-224)/2
    bottom_margin = (img.height-224)/2
    right_margin = left_margin + 224
    top_margin = bottom_margin + 224
    img = img.crop((left_margin, bottom_margin, right_margin,   
                      top_margin))
    # 相同的預(yù)處理方法
    img = np.array(img)/255
    mean = np.array([0.485, 0.456, 0.406]) #provided mean
    std = np.array([0.229, 0.224, 0.225]) #provided std
    img = (img - mean)/std
    
    # 注意顏色通道應(yīng)該放在第一個位置
    img = img.transpose((2, 0, 1))
    
    return img

4.3數(shù)據(jù)展示

def imshow(image, ax=None, title=None):
    """展示數(shù)據(jù)"""
    if ax is None:
        fig, ax = plt.subplots()
    
    # 顏色通道還原
    image = np.array(image).transpose((1, 2, 0))
    
    # 預(yù)處理還原
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    image = std * image + mean
    image = np.clip(image, 0, 1)
    
    ax.imshow(image)
    ax.set_title(title)
    
    return ax

4.4提取測試數(shù)據(jù)集

# 得到一個batch的測試數(shù)據(jù)
dataiter = iter(dataloaders['valid'])
images, labels = dataiter.next()

model_ft.eval()

if train_on_gpu:
    output = model_ft(images.cuda())
else:
    output = model_ft(images)

4.5計(jì)算提取數(shù)據(jù)集的預(yù)測結(jié)果

_, preds_tensor = torch.max(output, 1)

preds = np.squeeze(preds_tensor.numpy()) if not train_on_gpu else np.squeeze(preds_tensor.cpu().numpy())
preds

4.6展示預(yù)測結(jié)果

fig=plt.figure(figsize=(20, 20))
columns =4
rows = 2

for idx in range (columns*rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    plt.imshow(im_convert(images[idx]))
    ax.set_title("{} ({})".format(cat_to_name[str(preds[idx])], cat_to_name[str(labels[idx].item())]),
                 color=("green" if cat_to_name[str(preds[idx])]==cat_to_name[str(labels[idx].item())] else "red"))
plt.show()

參考文獻(xiàn)

1.6-訓(xùn)練結(jié)果與模型保存_嗶哩嗶哩_bilibili文章來源地址http://www.zghlxwxcb.cn/news/detail-630700.html

到了這里，關(guān)于pytorch實(shí)戰(zhàn)-圖像分類（二）（模型訓(xùn)練及驗(yàn)證）（基于遷移學(xué)習(xí)（理解+代碼））的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！