内容简介:在这篇教程中,你将会学到如何利用迁移学习来训练你的网络。你可以通过引用在实践中,很少有人会从头开始训练一个卷积神经网络(随机初始化),因为你很难拥有一个足够大的数据集。事实上,更常见的做法是先在一个非常大的数据集(比如 ImageNet,该数据集含有涵盖了 1000 个类别的 120 万张图片)上预训练一个卷积神经网络,然后利用该网络中参数作为初始参数,或者把该网络当作另一项任务的固定特征提取器。
在这篇教程中,你将会学到如何利用迁移学习来训练你的网络。你可以通过 cs231n notes 了解更多关于迁移学习的信息。
引用 cs231n notes 中的一段话
在实践中,很少有人会从头开始训练一个卷积神经网络(随机初始化),因为你很难拥有一个足够大的数据集。事实上,更常见的做法是先在一个非常大的数据集(比如 ImageNet,该数据集含有涵盖了 1000 个类别的 120 万张图片)上预训练一个卷积神经网络,然后利用该网络中参数作为初始参数,或者把该网络当作另一项任务的固定特征提取器。
迁移学习主要在以下两个场景下使用:
- 网络调优: 使用预训练网络(比如在 ImageNet 上训练的网络)中的参数作为初始参数,而不是随机初始化。其余部分的训练流程和往常一样。
- 固定特征提取器: 除了最后的全连接层,我们会冻结网络中其余部分的参数,最后的全连接层中的参数会重新随机初始化,只有该层中的参数会在训练中更新。
# 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() # 交互模式
读取数据
我们将使用 torchvision
和 torch.utils.data
两个 packages 来读取数据。
我们今天的目标是建立一个可以分辨 蚂蚁 和 蜜蜂 的分类器,但是我们只有蚂蚁和蜜蜂的图片各约 120 张用于训练,75 张用于验证集。通常来说,如果要从头训练一个模型,这个数据集是非常小的。因此我们要利用迁移学习。
这个数据集是 ImageNet 的一个很小的子集。
Note:从 这里 下载数据并将其解压到当前文件夹。
# 对训练集使用 data augmentation 和 normalization # 对验证集只使用 normalization 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
为了理解 data augmentation,我们来看看一些图像。
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 # 获取训练数据中的一个 batch inputs, classes = next(iter(dataloaders['train'])) out = torchvision.utils.make_grid(inputs) imshow(out, title=[class_names[x] for x in classes])
训练模型
现在,为了训练模型,我们应该写一些通用函数。在这里我们将阐述以下两点
- Scheduling 学习率
- 保存最好的模型
下面参数中的 scheduler
是 torch.optim.lr_scheduler
包中的 LR scheduler 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) # 每次遍历都要经过训练集和验证集 for phase in ['train', 'val']: if phase == 'train': scheduler.step() model.train() # 设置模型为训练模式 else: model.eval() # 设置模型为验证模式 running_loss = 0.0 running_corrects = 0 # 迭代 for inputs, labels in dataloaders[phase]: inputs = inputs.to(device) labels = labels.to(device) # 清零梯度 optimizer.zero_grad() # 前向传播 # 只在训练时计算梯度 with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) # 只有在训练时才进行反向传播和参数更新 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)) # 找到最好的模型 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)) # 读取最好模型 model.load_state_dict(best_model_wts) return model
观察模型给出的预测
这是一个用于展示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)
网络调优
读取一个预训练网络并重置最后的全连接层
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() # 这里所有参数都会更新 optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9) # 学习率每 7 次迭代以 0.1 为因子衰减 exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
训练与验证
在 CPU 上训练会花费大约 15-25 分钟,而在 GPU 上则要不了一分钟。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler, num_> Epochs=25)
输出:
Epoch 0/24 —————— train Loss: 0.5900 Acc: 0.7131 val Loss: 0.2508 Acc: 0.9020 Epoch 1/24 —————— train Loss: 0.6034 Acc: 0.7828 val Loss: 0.3181 Acc: 0.8627 Epoch 2/24 —————— train Loss: 0.6150 Acc: 0.7582 val Loss: 0.4903 Acc: 0.8366 Epoch 3/24 —————— train Loss: 0.6650 Acc: 0.7377 val Loss: 0.6294 Acc: 0.7582 Epoch 4/24 —————— train Loss: 0.4935 Acc: 0.7828 val Loss: 0.2644 Acc: 0.8889 Epoch 5/24 —————— train Loss: 0.3841 Acc: 0.8238 val Loss: 0.24 08 Acc: 0.9216 Epoch 6/24 —————— train Loss: 0.5352 Acc: 0.8156 val Loss: 0.2250 Acc: 0.9150 Epoch 7/24 —————— train Loss: 0.2252 Acc: 0.9385 val Loss: 0.1917 Acc: 0.9477 Epoch 8/24 —————— train Loss: 0.3395 Acc: 0.8197 val Loss: 0.1738 Acc: 0.9477 Epoch 9/24 —————— train Loss: 0.3363 Acc: 0.8607 val Loss: 0.2522 Acc: 0.9216 Epoch 10/24 —————— train Loss: 0.2878 Acc: 0.8607 val Loss: 0.1787 Acc: 0.9412 Epoch 11/24 —————— train Loss: 0.2831 Acc: 0.8770 val Loss: 0.1805 Acc: 0.9346 Epoch 12/24 —————— train Loss: 0.2290 Acc: 0.9016 val Loss: 0.1898 Acc: 0.9412 Epoch 13/24 —————— train Loss: 0.24 94 Acc: 0.9016 val Loss: 0.1729 Acc: 0.9412 Epoch 14/24 —————— train Loss: 0.3435 Acc: 0.8689 val Loss: 0.1736 Acc: 0.9412 Epoch 15/24 —————— train Loss: 0.2274 Acc: 0.9057 val Loss: 0.1692 Acc: 0.9542 Epoch 16/24 —————— train Loss: 0.3154 Acc: 0.8689 val Loss: 0.1742 Acc: 0.9412 Epoch 17/24 —————— train Loss: 0.2749 Acc: 0.8893 val Loss: 0.1826 Acc: 0.9412 Epoch 18/24 —————— train Loss: 0.2673 Acc: 0.8770 val Loss: 0.1731 Acc: 0.9281 Epoch 19/24 —————— train Loss: 0.2865 Acc: 0.8730 val Loss: 0.1867 Acc: 0.9346 Epoch 20/24 —————— train Loss: 0.3061 Acc: 0.8648 val Loss: 0.1966 Acc: 0.9477 Epoch 21/24 —————— train Loss: 0.2638 Acc: 0.9016 val Loss: 0.1973 Acc: 0.9477 Epoch 22/24 —————— train Loss: 0.2602 Acc: 0.8893 val Loss: 0.1769 Acc: 0.9281 Epoch 23/24 —————— train Loss: 0.2817 Acc: 0.9016 val Loss: 0.1756 Acc: 0.9412 Epoch 24 /24 —————— train Loss: 0.2959 Acc: 0.8730 val Loss: 0.1790 Acc: 0.9281 Training complete in 1m 8s Best val Acc: 0.95424 8
visualize_model(model_ft)
固定特征提取器
现在,除了最后的全连接层,我们要冻结网络中其余部分的所有参数。我们使用 requires_grad = False
来冻结参数, bachward()
便不会计算这些参数的梯度。
你可以在 这里 读到更多信息。
model_conv = torchvision.models.resnet18(pretrained=True) for param in model_conv.parameters(): param.requires_grad = False # 新构建模块中的参数的 requires_grad 默认为 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() # 现在只有最后的全连接层的参数会更新 optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9) # 学习率每 7 次迭代以 0.1 为因子衰减 exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
训练与验证
在 CPU 上,这会花费约之前一半的时间,因为大多数参数的梯度不用计算了,不过这些参数仍然会参与前向传播。
model_conv = train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler, num_> Epochs=25)
输出:
Epoch 0/24 —————— train Loss: 0.6463 Acc: 0.6803 val Loss: 0.1949 Acc: 0.9477 Epoch 1/24 —————— train Loss: 0.4923 Acc: 0.8033 val Loss: 0.1696 Acc: 0.9477 Epoch 2/24 —————— train Loss: 0.4234 Acc: 0.8115 val Loss: 0.4379 Acc: 0.7712 Epoch 3/24 —————— train Loss: 0.5606 Acc: 0.7582 val Loss: 0.6383 Acc: 0.7451 Epoch 4/24 —————— train Loss: 0.7560 Acc: 0.7295 val Loss: 0.1888 Acc: 0.9412 Epoch 5/24 —————— train Loss: 0.4316 Acc: 0.8197 val Loss: 0.1999 Acc: 0.9477 Epoch 6/24 —————— train Loss: 0.7722 Acc: 0.7131 val Loss: 0.1975 Acc: 0.9477 Epoch 7/24 —————— train Loss: 0.3685 Acc: 0.8607 val Loss: 0.2000 Acc: 0.9477 Epoch 8/24 —————— train Loss: 0.2968 Acc: 0.8811 val Loss: 0.1916 Acc: 0.9477 Epoch 9/24 —————— train Loss: 0.3396 Acc: 0.8525 val Loss: 0.2165 Acc: 0.9542 Epoch 10/24 —————— train Loss: 0.3885 Acc: 0.8320 val Loss: 0.2109 Acc: 0.9542 Epoch 11/24 —————— train Loss: 0.4107 Acc: 0.8156 val Loss: 0.1881 Acc: 0.9477 Epoch 12/24 —————— train Loss: 0.3249 Acc: 0.8730 val Loss: 0.1747 Acc: 0.9542 Epoch 13/24 —————— train Loss: 0.3439 Acc: 0.8525 val Loss: 0.1950 Acc: 0.9477 Epoch 14/24 —————— train Loss: 0.3641 Acc: 0.8443 val Loss: 0.1992 Acc: 0.9412 Epoch 15/24 —————— train Loss: 0.3272 Acc: 0.8443 val Loss: 0.2320 Acc: 0.9412 Epoch 16/24 —————— train Loss: 0.3102 Acc: 0.8730 val Loss: 0.1867 Acc: 0.9477 Epoch 17/24 —————— train Loss: 0.4226 Acc: 0.8238 val Loss: 0.1872 Acc: 0.9542 Epoch 18/24 —————— train Loss: 0.3452 Acc: 0.8443 val Loss: 0.1812 Acc: 0.9542 Epoch 19/24 —————— train Loss: 0.3697 Acc: 0.8525 val Loss: 0.1890 Acc: 0.9477 Epoch 20/24 —————— train Loss: 0.3078 Acc: 0.8607 val Loss: 0.1976 Acc: 0.9608 Epoch 21/24 —————— train Loss: 0.3161 Acc: 0.8770 val Loss: 0.1982 Acc: 0.9412 Epoch 22/24 —————— train Loss: 0.3749 Acc: 0.8320 val Loss: 0.2035 Acc: 0.9477 Epoch 23/24 —————— train Loss: 0.3298 Acc: 0.8525 val Loss: 0.1855 Acc: 0.9477 Epoch 24/24 —————— train Loss: 0.3597 Acc: 0.8402 val Loss: 0.1878 Acc: 0.9542 Training complete in 0m 34s Best val Acc: 0.960784
visualize_model(model_conv) plt.ioff() plt.show()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 银行核心海量数据无损迁移:TDSQL数据库多源异构迁移方案
- 再无需从头训练迁移学习模型!亚马逊开源迁移学习数据库 Xfer
- Spring Cloud Alibaba迁移指南(一):一行代码从 Hystrix 迁移到 Sentinel
- Spring Cloud Alibaba迁移指南1:零代码从Eureka迁移到Nacos 原 荐
- Spring Cloud Alibaba迁移指南2:一行代码从Hystrix迁移到Sentinel 原 荐
- 数据迁移的套路
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
加密与解密(第4版)
段钢 / 电子工业出版社 / 2018-10-1 / 198
《加密与解密(第4版)》以加密与解密为切入点,讲述了软件安全领域的基础知识和技能,如调试技能、逆向分析、加密保护、外壳开发、虚拟机设计等。这些知识彼此联系,读者在掌握这些内容之后,很容易就能在漏洞分析、安全编程、病毒分析、软件保护等领域进行扩展。从就业的角度来说,掌握加密与解密的相关技术,可以提高自身的竞争能力;从个人成长的角度来说,研究软件安全技术有助于掌握一些系统底层知识,是提升职业技能的重要......一起来看看 《加密与解密(第4版)》 这本书的介绍吧!