《PyTorch》Part5 PyTorch之遷移學習

《PyTorch》Part5 PyTorch之遷移學習
環境配置：
torch 1.6.0+cu101
torchvision 0.7.0+cu101
顯示卡： NVIDIA1050 記憶體：2GB

實際中，基本沒有人會從零開始（隨機初始化）訓練一個完整的卷積網路，因為相對於網路，很 難得到一個足夠大的資料集[網路很深,
需要足夠大資料集]。通常的做法是在一個很大的資料集上 進行預訓練得到卷積網路ConvNet,
然後將這個ConvNet的引數作為目標任務的初始化引數或者固 定這些引數。

遷移學習的兩個主要場景：

1. 微調Convnet：使用預訓練的網路(如在 imagenet 1000 上訓練而來的網路)來初始化自己的網路，而不是隨機初始化。其他的訓練步驟不變。——就是利用現有的訓練好的網路作為新資料集的初始化網路，好處就不瞎訓練，不從零開始。
2. 將Convnet看成固定的特徵提取器:首先固定ConvNet除了最後的全連線層外的其他所有
   層。最後的全連線層被替換成一個新的隨機初始化的層，只有這個新的層會被訓練[只有這層引數會在反向傳播時更新]。——就是固定訓練好的網路引數，就最後的全連線層引數可以被訓練更改，其它的都固定不動。

1.小樣本利用遷移學習泛化模型

該程式碼段包括兩個場景的訓練：
場景1：

場景2：

# -*- coding: utf-8 -*-
# ConvNet
"""
資料集：https://download.pytorch.org/tutorial/hymenoptera_data.zip
解決的問題是訓練一個模型來分類螞蟻ants和蜜蜂bees。ants和bees各有約120張訓練圖
片。每個類有75張驗證圖片。從零開始在 如此小的資料集上進行訓練通常是很難泛化的。由於我
們使用遷移學習，模型的泛化能力會相當好。
"""

# 1.匯入相關的包
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() # interactive mode

# 載入資料
# 訓練集資料擴充和歸一化
# 在驗證集上僅需要歸一化
# ToTensor()能夠把灰度範圍從0-255變換到0-1之間,而後面的transform.Normalize()則把0-1變換到(-1,1)
# torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
# [0.485, 0.456, 0.406]這一組平均值是從imagenet訓練集中抽樣算出來的。
# 對每個通道而言，Normalize執行以下操作：image=(image-mean)/std 如：(image-0.485)/0.229
# 不同資料集就有不同的標準化係數，例如([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])就是Imagenet dataset
# 的標準化係數（RGB三個通道對應三組係數），當需要將imagenet預訓練的引數遷移到另一神經網路時，被遷移的神經網
# 絡就需要使用imagenet的係數，否則預訓練不僅無法起到應有的作用甚至還會幫倒忙，
data_transforms = {
    'train': transforms.Compose([
            transforms.RandomResizedCrop(224), # 隨機裁剪一個area然後再resize
            transforms.RandomHorizontalFlip(), # 隨機水平翻轉
            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])
    ]),
}


# num_workers=4表示4個程式讀取資料,有時候會報錯
"""
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=opt.batchsize,
                                              shuffle=False, num_workers=0) for x in
原因：多程式需要在main函式中執行，
解決方法1：
加main函式，在main中呼叫
解決方法2：
num_workers改為0，單程式載入
"""
data_dir = './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=0) 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")

# 3.視覺化部分影像資料
# 視覺化部分訓練影像，以便了解資料擴充

def imshow(inp, title=None):
    """ Imshow for Tensor """
    inp = inp.numpy().transpose((1, 2, 0)) # pytorch影像是(C,H,W),轉變為numpy可繪製格式(H,W,C)
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    inp = std * inp + mean  # 還原影像原始值
    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

# 獲取一批訓練資料
inputs, classes = next(iter(dataloaders['train']))
# 批量製作網格
out = torchvision.utils.make_grid(inputs)

imshow(out, title=[class_names[x] for x in classes])

# 4.訓練模型
# 編寫一個通用函式來訓練模型。下面將說明： *調整學習速率*儲存最好的模型
# 下面的引數scheduler是一個來自torch.optim.lr_scheduler的學習速率調整類的物件(LR scheduler object)

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)

        # Each epoch has a training and validation phase
        for phase in ['train', 'val']:
            if phase == 'train':
                scheduler.step()
                model.train()  # Set model to training mode
            else:
                model.eval()   # Set model to evaluate mode

            running_loss = 0.0
            running_corrects = 0

            # Iterate over data.
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # zero the parameter gradients
                optimizer.zero_grad()

                # forward
                # track history if only in train
                with torch.set_grad_enabled(phase == 'train'):
                    outputs = model(inputs)
                    _, preds = torch.max(outputs, 1)
                    loss = criterion(outputs, labels)

                    # backward + optimize only if in training phase
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # statistics
                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))

            # deep copy the model
            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))

    # load best model weights
    model.load_state_dict(best_model_wts)
    return model

# 5.視覺化模型的預測結果
# 一個通用的展示少量預測圖片的函式
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)

#############################################################################################
# 6.場景1： 微調ConvNet
# 載入預訓練模型並重置最終完全連線的圖層

model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2) #輸出兩個特徵

model_ft = model_ft.to(device) # 轉入Cuda中計算

criterion = nn.CrossEntropyLoss()

# 觀察所有引數都在優化
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)

## 通過設定gamma=0.1每7個epochs衰減LR
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

# 訓練和評估模型
# (1) 訓練模型，該過程在CPU上需要大約15-25分鐘， 但是在GPU上，它只需要不到一分鐘
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler, num_epochs=25)

# (2) 模型評估效果視覺化
visualize_model(model_ft)

#############################################################################################
# 7.場景2: ConvNet作為固定特徵提取器
# 在這裡需要凍結除最後一層之外的所有網路。通過設定requires_grad == Falsebackward()來凍結引數，
# 這樣在反向傳播backward()的時候他們的梯度就不會被計算

model_cov = torchvision.models.resnet18(pretrained=True)
for param in model_cov.parameters():
    param.requires_grad = False

# Parameters of newly constructed modules have requires_grad=True by default
num_ftrs = model_ft.fc.in_features
model_cov.fc = nn.Linear(num_ftrs, 2)

model_cov = model_cov.to(device)
criterion = nn.CrossEntropyLoss()

# Observe that only parameters of final layer are being optimized as
# opposed to before
optimizer_cov = optim.SGD(model_cov.fc.parameters(), lr=0.001, momentum=0.9)

# Decay LR by a factor of 0.1 every 7 epochs
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_cov, step_size=7, gamma=0.1)

# 訓練和評估
# （1）訓練模型在CPU上，與前一個場景比，這將花費大約一半的時間，因為不需要為大多數網路計算梯度
#  但需要計算transform
model_cov = train_model(model_cov, criterion, optimizer_cov,
                        exp_lr_scheduler, num_epochs=25) # 輸出

# (2)模型評估效果視覺化
visualize_model(model_cov)

plt.ioff()
plt.show() # 輸出

2.執行結果：

1、第一個場景的訓練結果：

...
Epoch 20/24
----------
train Loss: 0.2983 Acc: 0.8443
val Loss: 0.2807 Acc: 0.9020

Epoch 21/24
----------
train Loss: 0.3183 Acc: 0.8648
val Loss: 0.2376 Acc: 0.9346

Epoch 22/24
----------
train Loss: 0.2237 Acc: 0.9098
val Loss: 0.2493 Acc: 0.9281

Epoch 23/24
----------
train Loss: 0.2787 Acc: 0.8689
val Loss: 0.2331 Acc: 0.9281

Epoch 24/24
----------
train Loss: 0.3022 Acc: 0.8893
val Loss: 0.2467 Acc: 0.9085

Training complete in 3m 4s
Best val Acc: 0.934641

還有其他幾組，不同版本的pycharm顯示的有點不一樣，這個有點凌亂，就截了其中一個圖表示一下。

2. 第二個場景的訓練結果：

Epoch 20/24
----------
train Loss: 0.3819 Acc: 0.8279
val Loss: 0.2045 Acc: 0.9346

Epoch 21/24
----------
train Loss: 0.3210 Acc: 0.8566
val Loss: 0.2399 Acc: 0.9281

Epoch 22/24
----------
train Loss: 0.3240 Acc: 0.8402
val Loss: 0.1999 Acc: 0.9542

Epoch 23/24
----------
train Loss: 0.3346 Acc: 0.8361
val Loss: 0.2468 Acc: 0.9020

Epoch 24/24
----------
train Loss: 0.3948 Acc: 0.7992
val Loss: 0.2485 Acc: 0.8954

Training complete in 1m 51s
Best val Acc: 0.954248