貓狗大戰--使用 “VGG16進行CIFAR10分類” 遷移學習實現
狗大戰--使用 “VGG16進行CIFAR10分類” 遷移學習實現
使用VGG模型進行貓狗大戰
原文見:https://github.com/mlelarge/dataflowr/blob/master/CEA_EDF_INRIA/01_intro_DLDIY_colab.ipynb
-
VGG是由Simonyan 和Zisserman在文獻《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷積神經網路模型,其名稱來源於作者所在的牛津大學視覺幾何組(Visual Geometry Group)的縮寫。該模型參加2014年的 ImageNet影像分類與定位挑戰賽,取得了優異成績:在分類任務上排名第二,在定位任務上排名第一。
-
遷移學習是一種機器學習方法,就是把為任務 A 開發的模型作為初始點,重新使用在為任務 B 開發模型的過程中。
-
ImageNet影像分類10類中存在貓和狗,所以用VGG來作為“貓狗大戰”的預訓練是十分合理的
一、程式碼部分
- 標頭檔案
import os
import torch
import torch.nn as nn
from torchvision import models,transforms,datasets
from tqdm import trange,tqdm
# 判斷是否存在GPU裝置
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('Using gpu: %s ' % torch.cuda.is_available())
- 資料處理
datasets 是 torchvision 中的一個包,可以用做載入影像資料。它可以以多執行緒(multi-thread)的形式從硬碟中讀取資料,使用 mini-batch 的形式,在網路訓練中向 GPU 輸送。在使用CNN處理影像時,需要進行預處理。圖片將被整理成 224*224*3 的大小,同時還將進行歸一化處理。
這裡我將https://static.leiphone.com/cat_dog.rar的訓練檔案一起加入了到了訓練集中,因為原來的訓練集只有1800張圖片,我希望能在更大的資料集上進行訓練,以求獲得更好的結果。
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
vgg_format = transforms.Compose([
transforms.CenterCrop(224),
transforms.ToTensor(),
normalize,
])
data_dir = r'G:\作業\#1.人工智慧\colab_demo-master\dogscats'
dsets = {x: datasets.ImageFolder(os.path.join(data_dir, x), vgg_format)
for x in ['train', 'valid']}
dset_sizes = {x: len(dsets[x]) for x in ['train', 'valid']}
dset_classes = dsets['train'].classes
loader_train = torch.utils.data.DataLoader(dsets['train'], batch_size=40, shuffle=True, num_workers=0)
loader_valid = torch.utils.data.DataLoader(dsets['valid'], batch_size=16, shuffle=False, num_workers=0)
- 載入 VGG Model
這裡我把訓練出來比較好的模型序列化到硬碟上
首先,準確率比較高的情況往往不是訓練的最終結果,選擇準確率較高的模型儲存到本地可以獲得比較好的效果
其次,2w+資料的訓練週期較長,拿出其中表現較好時刻的模型可以提前進行測試,提高效率
n = input("是否重新訓練?(Y/N)")
if n=='N':
path = input("輸入檔名:")
CNT = input("輸入輪數:")
model_vgg_new = torch.load(path)
model_vgg_new = model_vgg_new.to(device)
else:
model_vgg = models.vgg16(pretrained=True)
model_vgg = model_vgg.to(device)
model_vgg_new = model_vgg
for param in model_vgg_new.parameters():
param.requires_grad = False
model_vgg_new.classifier._modules['6'] = nn.Linear(4096, 2)
model_vgg_new.classifier._modules['7'] = torch.nn.LogSoftmax(dim = 1)
- 訓練並測試全連線層
將表現較好時刻的模型存檔到本地
model_vgg_new = model_vgg_new.to(device)
criterion = nn.NLLLoss()
# 學習率
lr = 0.001
optimizer_vgg = torch.optim.Adam(model_vgg_new.classifier[6].parameters(), lr=lr)
'''
第二步:訓練模型
'''
N_ = int(CNT)+1
def train_model(model, dataloader, size, epochs=100, optimizer=None):
model.train()
global N_
for epoch in range(epochs):
running_loss = 0.0
running_corrects = 0
count = 0
for inputs, classes in tqdm(dataloader):
inputs = inputs.to(device)
classes = classes.to(device)
outputs = model(inputs)
loss = criterion(outputs, classes)
optimizer = optimizer
optimizer.zero_grad()
loss.backward()
optimizer.step()
_, preds = torch.max(outputs.data, 1)
# statistics
running_loss += loss.data.item()
running_corrects += torch.sum(preds == classes.data)
count += len(inputs)
#print('Training: No. ', count, ' process ... total: ', size)
epoch_loss = running_loss / size
epoch_acc = running_corrects.data.item() / size
print('{} \tLoss: {:.4f} Acc: {:.4f}'.format(N_,epoch_loss, epoch_acc))
if epoch_acc > 0.97:
torch.save(model, './model'+str(N_)+'_'+str(epoch_acc)+'_'+'.pth')
print("Got A Nice Model")
N_ = N_ + 1
# 模型訓練
train_model(model_vgg_new, loader_train, size=dset_sizes['train'], epochs=100,
optimizer=optimizer_vgg)
- 訓練過程
- AI研習社結果
- 測試程式碼
import os
import torch
from torchvision import transforms,datasets
from tqdm import tqdm
device = torch.device("cuda:0")
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
vgg_format = transforms.Compose([
transforms.CenterCrop(224),
transforms.ToTensor(),
normalize,
])
data_dir = r'G:\作業\#1.人工智慧\colab_demo-master\dogscats'
dsets = {x: datasets.ImageFolder(os.path.join(data_dir, x), vgg_format)
for x in ['valid']}
dset_sizes = {x: len(dsets[x]) for x in ['valid']}
loader_valid = torch.utils.data.DataLoader(dsets['valid'], batch_size=8, shuffle=False, num_workers=0)
model_vgg_new = torch.load('xxxxxx')
model_vgg_new = model_vgg_new.to(device)
def test_model(model,dataloader,size):
model.eval()
running_corrects = 0
for inputs,classes in tqdm(dataloader):
inputs = inputs.to(device)
classes = classes.to(device)
outputs = model(inputs)
_,preds = torch.max(outputs.data,1)
running_corrects += torch.sum(preds == classes.data)
epoch_acc = running_corrects.data.item() / size
print('Acc: {:.4f} '.format(epoch_acc))
test_model(model_vgg_new, loader_valid, size=dset_sizes['valid'])
- 研習社資料測試程式碼
import torch
import numpy as np
from torchvision import transforms,datasets
from tqdm import tqdm
device = torch.device("cuda:0" )
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
vgg_format = transforms.Compose([
transforms.CenterCrop(224),
transforms.ToTensor(),
normalize,
])
dsets_mine = datasets.ImageFolder(r"G:\作業\#1.人工智慧\colab_demo-master\dogscats2", vgg_format)
loader_test = torch.utils.data.DataLoader(dsets_mine, batch_size=1, shuffle=False, num_workers=0)
model_vgg_new = torch.load('')
model_vgg_new = model_vgg_new.to(device)
dic = {}
def test(model,dataloader,size):
model.eval()
predictions = np.zeros(size)
cnt = 0
for inputs,_ in tqdm(dataloader):
inputs = inputs.to(device)
outputs = model(inputs)
_,preds = torch.max(outputs.data,1)
key = dsets_mine.imgs[cnt][0].split("\\")[-1].split('.')[0]
dic[key] = preds[0]
cnt = cnt +1
test(model_vgg_new,loader_test,size=2000)
with open("result.csv",'a+') as f:
for key in range(2000):
f.write("{},{}\n".format(key,dic[str(key)]))
相關文章
- 深度學習(二)之貓狗分類深度學習
- 遷移學習時間序列分類遷移學習
- 使用Mobilenet和Keras進行遷移學習!Keras遷移學習
- 基於Pytorch實現貓狗分類PyTorch
- 深度學習之PyTorch實戰(4)——遷移學習深度學習PyTorch遷移學習
- Velero系列文章(四):使用Velero進行生產遷移實戰
- 影像分類學習:X光胸片診斷識別----遷移學習遷移學習
- 【Redis 技術探索】「資料遷移實戰」手把手教你如何實現線上 + 離線模式進行遷移 Redis 資料實戰指南(scan模式遷移)Redis模式
- 如何用 Python 和深度遷移學習做文字分類?Python遷移學習文字分類
- 原始碼分析——遷移學習Inception V3網路重訓練實現圖片分類原始碼遷移學習
- 什麼是遷移學習?什麼時候使用遷移學習?遷移學習
- 使用RMAN進行資料遷移
- 【遷移學習】大資料時代下的遷移學習--- 機器學習的下一個前沿遷移學習大資料機器學習
- 深度學習專案實戰:垃圾分類系統深度學習
- 深度學習之遷移學習介紹與使用深度學習遷移學習
- 使用PyTorch進行主動遷移學習:讓模型預測自身的錯誤PyTorch遷移學習模型
- 【Redis 技術探索】「資料遷移實戰」手把手教你如何實現線上 + 離線模式進行遷移Redis資料實戰指南(離線同步資料)Redis模式
- 微軟研究團隊使用遷移學習,訓練現實世界中的無人機微軟遷移學習無人機
- 十餘行程式碼完成遷移學習,PaddleHub實戰篇行程遷移學習
- 遷移學習:互資訊的變分上下界遷移學習
- 使用RMAN進行Oracle資料庫遷移Oracle資料庫
- UCloud AI Train深度學習實踐:使用TensorFlow實現快速風格遷移CloudAI深度學習
- Mahout分類演算法學習之實現Naive Bayes分類示例演算法AI
- 遷移學習系列---基於例項方法的遷移學習遷移學習
- 使用sklearn進行整合學習——實踐
- 1.5 使用nvicat和kettle進行全量遷移
- 深度學習Tensorflow實戰,新課進行曲!深度學習
- 《機器學習實戰》4.4使用樸素貝葉斯進行文件分類機器學習
- 有贊大資料離線叢集遷移實戰大資料
- 使用dbeaver 用csv 檔案進行資料遷移
- 《機器學習實戰》學習大綱機器學習
- 深度學習趣談:什麼是遷移學習?(附帶Tensorflow程式碼實現)深度學習遷移學習
- ElasticSearch中使用ik分詞器進行實現分詞操作Elasticsearch分詞
- Oracle行遷移實驗Oracle
- 今天晚上進行資料遷移
- Shell變數有哪些分類?linux運維實戰學習變數Linux運維
- 遷移學習(Transfer Learning)遷移學習
- 利用魯棒控制實現深度強化學習駕駛策略的遷移強化學習