目錄
寫在前面的話 CSDN真的是'sb'中的'sb'軟體， 辛辛苦苦寫半天 我複製個東西過來 他就把前面的刷沒了 還要我重頭寫？？？？？？？？？？？？神經並b
------------------------------------------------------------------------------------------------------------------------------
2022李宏毅作業HW3 是食物的分類 ，但是我怎麼嘗試 再監督學習的模式下 準確率都達不到百分之60 .。半監督也感覺效果不明顯。 所以 這次就想著對比學習能不能用來解決這個問題呢 。？看了一圈，感覺simsiam是對比學習裡比較簡單的一種方法，好像效果也不錯。 所以來看一看這個東西是怎麼玩的。
simsaim 是對比學習很新的文章了。 他的訓練方式簡單來說就是 ，一張圖片 ，用不同的方式去增廣後形成圖片對 。 然後用一張去預測另一張。 不懂得可以看朱老師的視訊。
1 ： 事先準備 。
程式碼地址 ：
下載解壓。
直接在main函式的 執行 編輯配置中輸入
--data_dir ../Data/ --log_dir ../logs/ -c configs/simsiam_cifar.yaml --ckpt_dir ~/.cache/ --hide_progress --download
os.environ['CUDA_VISIBLE_DEVICES']='0'
注意 ： 第二次執行可以刪掉download
2 ： 程式碼閱讀。
神經網路的一個基本的框架就是 ： 資料讀取 ， 模型載入， 訓練，測試。 我們接下來根據這四塊來看。
2.1: 資料讀取
執行main檔案 。
main(device=args.device, args=args)進入main 函式 。
是三個資料集的讀取。
train_loader ，， memory_loader 和 test_loader。 train和memory 都是訓練集的資料 他們的不同之處在於， 資料增廣的方式不同。 train的增廣是用來訓練的 memory和test的增廣都是用來測試的。由於在對比學習裡， 資料增廣是很重要的 ，所以這裡看下資料增廣的方式。
dataset=get_dataset(
transform=get_aug(train=True, **args.aug_kwargs),
train=True,
**args.dataset_kwargs),**args.aug_kwargs 裡規定了圖片大小是32. 以及這次用的是simsaim。
這裡兩個train 。 只有訓練集的第一個train是true。 而訓練集的增廣方式如下
class SimSiamTransform():
def __init__(self, image_size, mean_std=imagenet_mean_std):
image_size = 224 if image_size is None else image_size # by default simsiam use image size 224
p_blur = 0.5 if image_size > 32 else 0 # exclude cifar
# the paper didn't specify this, feel free to change this value
# I use the setting from simclr which is 50% chance applying the gaussian blur
# the 32 is prepared for cifar training where they disabled gaussian blur
self.transform = T.Compose([
T.RandomResizedCrop(image_size, scale=(0.2, 1.0)),
T.RandomHorizontalFlip(),
T.RandomApply([T.ColorJitter(0.4,0.4,0.4,0.1)], p=0.8),
T.RandomGrayscale(p=0.2),
T.RandomApply([T.GaussianBlur(kernel_size=image_size//20*2+1, sigma=(0.1, 2.0))], p=p_blur),
T.ToTensor(),
T.Normalize(*mean_std)
])
def __call__(self, x):
x1 = self.transform(x)
x2 = self.transform(x)
return x1, x2 增廣方式可以參考 官網
這裡依次是 ： 隨機resize 然後剪下為輸入大小， 也就是會隨機取圖片裡的一塊。
隨機水平變換
0.8的概率調節亮度對比度和飽和度。
0.2概率灰度化
對於32的照片 不做高斯模糊。
轉化為張量並標準化。
然後 對於一個輸入 這裡會做兩次transform call可以讓這個類像函式那樣被呼叫。
對於 測試用的訓練集 。也就是memory 是下面的增廣方式。 而test也是下面的增廣方式 。
else:
self.transform = transforms.Compose([
transforms.Resize(int(image_size*(8/7)), interpolation=Image.BICUBIC), # 224 -> 256
transforms.CenterCrop(image_size),
transforms.ToTensor(),
transforms.Normalize(*normalize)
])如果輸入是 224 就 先放大到256，然後中心裁剪224，之後標準化。
如果輸入是32 就放大到36 再中心裁剪32 .後標準化。
用的是cifar10的資料。 其實也就相當於很普通的 讀圖片 然後增廣， 加標籤。
我們只要看getitem取出來的資料是什麼就好 。
img, target = self.data[index], self.targets[index]
# doing this so that it is consistent with all other datasets
# to return a PIL Image
img = Image.fromarray(img)
if self.transform is not None:
img = self.transform(img)
if self.target_transform is not None:
target = self.target_transform(target)
return img, target
注意 如果是訓練集 在trans時會返回兩張圖片 ，所以返回的是一個元組。 而測試時 ，img就是單獨的一張圖片。 target也就是標籤。
總結：資料部分 我們需要做一個資料集， 然後訓練集的增廣要返回兩個結果。 當讀取資料時，返回的是圖片資料和標籤資料。
2.2： 模型載入
這一部分我們來看模型 ，我們可以根據下面的虛擬碼來看模型長什麼樣子。 虛擬碼非常容易看懂。 aug就是增廣嘛。 f來提特徵，然後兩個預測。 算loss 回傳。
model = get_model(args.model).to(device)這句來獲得模型。
if model_cfg.name == 'simsiam':
model = SimSiam(get_backbone(model_cfg.backbone))backbone就是普通的res18 這裡不需要預訓練的模型 只需要初始模型 。
class SimSiam(nn.Module):
def __init__(self, backbone=resnet50()):
super().__init__()
self.backbone = backbone
self.projector = projection_MLP(backbone.output_dim)
self.encoder = nn.Sequential( # f encoder
self.backbone,
self.projector
)
self.predictor = prediction_MLP()
def forward(self, x1, x2):
f, h = self.encoder, self.predictor
z1, z2 = f(x1), f(x2)
p1, p2 = h(z1), h(z2)
L = D(p1, z2) / 2 + D(p2, z1) / 2
return {'loss': L}
這個就是simsam的模型了 。 projector 是個三層的普通mlp 。 encoder 就是虛擬碼裡的f了 而predictor就是虛擬碼裡的h了 。 我們具體來看下loss 。
def D(p, z, version='simplified'): # negative cosine similarity
if version == 'original':
z = z.detach() # stop gradient
p = F.normalize(p, dim=1) # l2-normalize
z = F.normalize(z, dim=1) # l2-normalize
return -(p*z).sum(dim=1).mean()
elif version == 'simplified':# same thing, much faster. Scroll down, speed test in __main__
return - F.cosine_similarity(p, z.detach(), dim=-1).mean()
else:
raise Exception傳說 simsaim的精髓就在於這個loss， 在於這個z.detach 也就是傳說中的stop gradiant。 有了這個梯度停止， simsaim才能夠訓練的起來。 這時的simsaim就和k-means演算法有點類似了。 說法很多 大家可以搜搜看。
其實我們可以看出來一點東西，在算loss時， p是預測值， z是標籤，如果標籤也要算梯度，兩邊就都在變了，參考我們平時的label都是不變的，確實z也不應該算梯度。
那麼什麼是stop gradiant呢 就是不算梯度的意思。比如
x = 2 y = 2**2 z = y+x z.grad = 5 y.detach() z.grad = 1
本來y是x的平方 求導等於4 所以z對x求導是5 然後不算y的梯度了 那麼就只剩1了 。
這就是模型的全部了 ，輸入兩張圖片 ，然後抽特徵 預測 分別算loss
3 訓練過程：
訓練是非常普通的訓練。
for idx, ((images1, images2), labels) in tqdm(enumerate(local_progress)):
model.zero_grad()
data_dict = model.forward(images1.to(device, non_blocking=True), images2.to(device, non_blocking=True))
loss = data_dict['loss'].mean() # ddp
loss.backward()
optimizer.step()
lr_scheduler.step()
data_dict.update({'lr':lr_scheduler.get_lr()})
local_progress.set_postfix(data_dict)
# logger.update_scalers(data_dict)從測試集中抽loader 注意抽出的是兩張圖片 由不同transformers形成的。 之後過模型得到loss，梯度回傳。 這裡日誌一直報錯 我直接遮蔽了。
4 測試過程：
測試過程比較的關鍵。
這裡是用knn演算法進行測試的 ，關於knn 可以看
簡單的說， 就是從眾。 在一個大平面上有很多的點， 然後你就看離自己最近的k個點，他們的標籤是啥， 然後選最多的那個當自己的標籤。
accuracy = knn_monitor(model.module.backbone, memory_loader, test_loader, device, k=min(args.train.knn_k, len(memory_loader.dataset)), hide_progress=args.hide_progress) def knn_monitor(net, memory_data_loader, test_data_loader, epoch, k=200, t=0.1, hide_progress=False):
net.eval()
classes = len(memory_data_loader.dataset.classes)
total_top1, total_top5, total_num, feature_bank = 0.0, 0.0, 0, []
with torch.no_grad():
# generate feature bank
for data, target in tqdm(memory_data_loader, desc='Feature extracting', leave=False, disable=hide_progress):
feature = net(data.cuda(non_blocking=True))
feature = F.normalize(feature, dim=1)
feature_bank.append(feature)
# [D, N]
feature_bank = torch.cat(feature_bank, dim=0).t().contiguous()
# [N]
feature_labels = torch.tensor(memory_data_loader.dataset.targets, device=feature_bank.device)
# loop test data to predict the label by weighted knn search
test_bar = tqdm(test_data_loader, desc='kNN', disable=hide_progress)
for data, target in test_bar:
data, target = data.cuda(non_blocking=True), target.cuda(non_blocking=True)
feature = net(data)
feature = F.normalize(feature, dim=1)
pred_labels = knn_predict(feature, feature_bank, feature_labels, classes, k, t)
total_num += data.size(0)
total_top1 += (pred_labels[:, 0] == target).float().sum().item()
test_bar.set_postfix({'Accuracy':total_top1 / total_num * 100})
return total_top1 / total_num * 100注意 這裡的net 只是backbone 也就是resnet 而 memory 就是訓練資料 不過增廣方式不一樣 。還有訓練資料 和k值 取200.
net.eval()
classes = len(memory_data_loader.dataset.classes)
total_top1, total_top5, total_num, feature_bank = 0.0, 0.0, 0, []一些初始化和獲取類別數。
with torch.no_grad():
# generate feature bank
for data, target in tqdm(memory_data_loader, desc='Feature extracting', leave=False, disable=hide_progress):
feature = net(data.cuda(non_blocking=True))
feature = F.normalize(feature, dim=1)
feature_bank.append(feature)
# [D, N]
feature_bank = torch.cat(feature_bank, dim=0).t().contiguous()
feature_labels = torch.tensor(memory_data_loader.dataset.targets, device=feature_bank.device)獲取大平面上的點。 從訓練集抽資料， 然後獲取他們的特徵。
最後的feature_bank大小是49664*512 也就是將近50000條資料 每個資料都有512 維的特徵。 然後做了一個轉置。
for data, target in test_bar:
data, target = data.cuda(non_blocking=True), target.cuda(non_blocking=True)
feature = net(data)
feature = F.normalize(feature, dim=1)抽取測試集的特徵。
pred_labels = knn_predict(feature, feature_bank, feature_labels, classes, k, t)def knn_predict(feature, feature_bank, feature_labels, classes, knn_k, knn_t):
# compute cos similarity between each feature vector and feature bank ---> [B, N]
sim_matrix = torch.mm(feature, feature_bank)
# [B, K]
sim_weight, sim_indices = sim_matrix.topk(k=knn_k, dim=-1) #求出最大的knn_k個值
# [B, K]
sim_labels = torch.gather(feature_labels.expand(feature.size(0), -1), dim=-1, index=sim_indices)
sim_weight = (sim_weight / knn_t).exp()
# counts for each class
one_hot_label = torch.zeros(feature.size(0) * knn_k, classes, device=sim_labels.device)
# [B*K, C]
one_hot_label = one_hot_label.scatter(dim=-1, index=sim_labels.view(-1, 1), value=1.0)
# weighted score ---> [B, C]
pred_scores = torch.sum(one_hot_label.view(feature.size(0), -1, classes) * sim_weight.unsqueeze(dim=-1), dim=1)
pred_labels = pred_scores.argsort(dim=-1, descending=True)
return pred_labels
我們來看 knn是如果計算相似度的 ，也就是距離的。torch.mm表示矩陣的乘法。 我舉個例子。
下面只是例子 ，真實資料需要歸一化
a = [[1,2,3],
[4,5,6]]
b = [[1,2,3],
[2,4,6],
[3,6,9],
[4,8,1]]
a有2個樣本， b有4個樣本。 他們的特徵都是3維。 現在求a[0] 和b中哪些樣本最相似。
就要讓a[0]和b中每一個樣本點乘 得到 14, 28, 42, 23。數越大表示越相似，也就越近。 所以我們讓a和b的轉置相乘，得到：
tensor([[14, 28, 42, 23],
[32, 64, 96, 62]])
我們發現第一排 就是a[0]的相似度， 每一列都是與b中樣本的點乘結果。
sim_matrix = torch.mm(feature, feature_bank)所以這裡的sim_matrix 就是一個512 * 49664大小的矩陣。 512 表示有512個樣本， 49664 表示每個樣本和所有點的乘積。
sim_weight, sim_indices = sim_matrix.topk(k=knn_k, dim=-1) topk 表示取最大的值，和他們下標 這裡取200個 我們就得到了離每一個樣本，最近的那些點，他們的下標是多少。
sim_labels = torch.gather(feature_labels.expand(feature.size(0), -1), dim=-1, index=sim_indices)feature_labels.expand(feature.size(0), -1) 之前的文章說過 ，是一個複製擴充。 -1表示不改變維度。 feature是50000維 擴充後變成512 *50000 （注意label和49664不相等，是因為loader捨棄了最後的一部分，但是沒關係 ， 本來就取不到這部分值）。
torch.gather 是按下標取值。
我們對標籤按下標取值，得到了512 *200的矩陣， 每一行都表示這個樣本距離最近的200個樣本的標籤。
sim_weight = (sim_weight / knn_t).exp()看到後面就知道這個knn_t的作用了 。 作用就是 控制相似度的權重。 比如 一個更相似的 他的標籤可以一個頂好幾個不相似的。 那麼頂幾個呢 ？ 就是t控制的了 。
# counts for each class
one_hot_label = torch.zeros(feature.size(0) * knn_k, classes, device=sim_labels.device)
# [B*K, C]
one_hot_label = one_hot_label.scatter(dim=-1, index=sim_labels.view(-1, 1), value=1.0)我們需要先搞懂scatter函式 。說實話著實有點難。因為官網的scatter都很難理解了 ，何況這個和官網不一樣
我們可以看到 官網的第三個引數是src 也就是資料來源，而這裡是value 。。。真是奇怪。
對於tensor.scatter函式 可以看 這篇
相信大家對scatter 都有了理解。 我們回來。
這裡先建立一個 長是512 *200 = 102400 寬是10的向量。
而sim_labels的大小是 （102400，1） 這個scatter做了什麼呢 ？ 如下
one_hot = torch.tensor
([[0,0,0,0,0,0,0,0,0,0],
[0,0,0,0,0,0,0,0,0,0]])
sim_label = torch.tensor([[3],[4]])
print(one_hot.scatter(-1,sim_label,value=1))tensor([[0, 0, 0, 1, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0, 0, 0, 0]])也就是把每行標籤對應得數字那一列變為1 ，如果這行特徵得標籤是1 就把第一個數變為1，這樣子。 類似的有102400行。 得到onehot後 按我得想法， 就統計200行中哪一列的1最多唄。 比如前200行裡 第3列的1對多， 就說明第一個樣本最近的200個裡，最多的標籤是2 ，。我們看看他們怎麼做的。
pred_scores = torch.sum(one_hot_label.view(feature.size(0), -1, classes) * sim_weight.unsqueeze(dim=-1), dim=1)one_hot_label.view(feature.size(0), -1, classes)
這句可以理解。 變回512 *200*10 這樣就可以統計各自的兩百個了。
sim_weight.unsqueeze(dim=-1)
sim_weight 雖然在上面做了一點變換，但是我們其實不用管他，因為上面只是一種歸一化的方式，我們依然可以把它看作最近 當前樣本特徵和兩百個點特徵的乘積。unsqueeze 表示擴充一維 在最後， sim_weight就變成了 512 *200 *1。 我們如何理解這個pred_score呢？ 我們不要看512個樣本。 我們只看一個樣本。 對於一個樣本。他的one_label是200*10 而sim_weight就是200 *1 特徵的點乘結果，也就是200個相似度分數 。 從兩行 看兩百行 很顯然 就是讓各行的標籤1 乘上那個相似度分數。 之後再對200這個維度求和，就得到了各個標籤相似的分數的和。 維度1*10
c = one_hot.scatter(-1,sim_label,value=1)
d = torch.tensor([[3],[4]])
print(c*d)
#################
tensor([[0, 0, 0, 1, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0, 0, 0, 0]])
tensor([[0, 0, 0, 3, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 4, 0, 0, 0, 0, 0]])
print(torch.sum(c*d,dim=0))
#########
tensor([0, 0, 0, 3, 4, 0, 0, 0, 0, 0])看到這裡我們明白了 。 這裡的knn並不是簡單的從眾，他還要看影響力。 更相似的樣本，他的標籤對我們的結果的影響力更大。 這裡相當於對標籤做了一個加權求和。
回到512維 我們得到了512*10的矩陣 表示512個樣本的各個標籤的相似度分數 我們只要argsort就可以得到最大值的下標啦。 np.argsort這個函式可以對向量排序 然後返回他們原來的下標 des 表示可以降序。
pred_labels = pred_scores.argsort(dim=-1, descending=True)
return pred_labels得到標籤 ， 回到原來的knn
total_num += data.size(0)
total_top1 += (pred_labels[:, 0] == target).float().sum().item()
test_bar.set_postfix({'Accuracy':total_top1 / total_num * 100})
return total_top1 / total_num * 100這裡是計算top1 我估計如果計算top5 估計就是 target in labels[:,4]了 得到預測標籤後準確率久很好算了。
5 ：線性驗證
繼續跟著主函式走 。 可以看到一堆儲存的步驟。 然後進入linear_eval函式。 我猜測是用backbone抽特徵然後直接預測結果的函式。
train_loader = torch.utils.data.DataLoader(
dataset=get_dataset(
transform=get_aug(train=False, train_classifier=True, **args.aug_kwargs),
train=True,
**args.dataset_kwargs
),
batch_size=args.eval.batch_size,
shuffle=True,
**args.dataloader_kwargs
)
test_loader = torch.utils.data.DataLoader(
dataset=get_dataset(
transform=get_aug(train=False, train_classifier=False, **args.aug_kwargs),
train=False,
**args.dataset_kwargs
),
batch_size=args.eval.batch_size,
shuffle=False,
**args.dataloader_kwargs
)
model = get_backbone(args.model.backbone)
classifier = nn.Linear(in_features=model.output_dim, out_features=10, bias=True).to(args.device)
先讀取訓練集和測試集， 然後 model是resnet 一個分類器是 一個全連線。 我好奇的是為什麼不直接把backbone最後一層的恆等對映改為這個分類器呢 ？
msg = model.load_state_dict({k[9:]:v for k, v in save_dict['state_dict'].items() if k.startswith('backbone.')}, strict=True)
載入模型 
k長這個樣子 取出那些以backb開頭的層 就是resnet的層。 然後去掉前面9個字母 就是resnet的名字。
classifier = torch.nn.DataParallel(classifier)
# define optimizer
optimizer = get_optimizer(
args.eval.optimizer.name, classifier,
lr=args.eval.base_lr*args.eval.batch_size/256,
momentum=args.eval.optimizer.momentum,
weight_decay=args.eval.optimizer.weight_decay)
# define lr scheduler
lr_scheduler = LR_Scheduler(
optimizer,
args.eval.warmup_epochs, args.eval.warmup_lr*args.eval.batch_size/256,
args.eval.num_epochs, args.eval.base_lr*args.eval.batch_size/256, args.eval.final_lr*args.eval.batch_size/256,
len(train_loader),
)
loss_meter = AverageMeter(name='Loss')
acc_meter = AverageMeter(name='Accuracy')定義優化器和loss 最下面這個averagemeter是啥呀
查了一下 就是一個類似於佇列這種的 資料結構。 然後可以更新 關鍵是可以求平均。
for epoch in global_progress:
loss_meter.reset()
model.eval()
classifier.train()
local_progress = tqdm(train_loader, desc=f'Epoch {epoch}/{args.eval.num_epochs}', disable=True)
for idx, (images, labels) in enumerate(local_progress):
classifier.zero_grad()
with torch.no_grad():
feature = model(images.to(args.device))
preds = classifier(feature)
loss = F.cross_entropy(preds, labels.to(args.device))
loss.backward()
optimizer.step()
loss_meter.update(loss.item())
lr = lr_scheduler.step()
local_progress.set_postfix({'lr':lr, "loss":loss_meter.val, 'loss_avg':loss_meter.avg})
然後定義好後 就是一個普通的訓練過程了 。 值得注意的是 model是eval模型 也就是他是凍住的，引數不改變。而classfier是可以改變的， 梯度回傳也只回傳分類頭的梯度， 這裡就只訓練分類器。
classifier.eval()
correct, total = 0, 0
acc_meter.reset()
for idx, (images, labels) in enumerate(test_loader):
with torch.no_grad():
feature = model(images.to(args.device))
preds = classifier(feature).argmax(dim=1)
correct = (preds == labels.to(args.device)).sum().item()
acc_meter.update(correct/preds.shape[0])
print(f'Accuracy = {acc_meter.avg*100:.2f}')普通的測試。
6 ： 用自己資料集進行對比學習。
路走遠了，別忘了開始的方向。 我們是用對比學習解決食物分類的問題的。
我們要做的有幾件事情。
第一： 改資料集 ：
把它原來的三個資料集全#了。
然後 加入自己的資料集。 使用他的增廣方式。 但在增廣前 需要在 dataset的get里加 topil 因為他的增廣裡沒有這個。
hw3食物分類有三個資料集：
一個有標籤訓練集 我用來當memory
一個無標籤訓練集 我用來當train
一個驗證集 我用來測試。
pil_trans = transforms.ToPILImage()
filepath = '/home/lhy/hw3/food-11'
train_loader = getDataLoader(filepath, 'train_unl', True, args.train.batch_size, transform=get_aug(train=True, train_classifier=False, **args.aug_kwargs))
memory_loader = getDataLoader(filepath, 'train', False,args.train.batch_size, transform=get_aug(train=False, train_classifier=False, **args.aug_kwargs))
test_loader = getDataLoader(filepath, 'val', False,args.train.batch_size, transform=get_aug(train=False, train_classifier=False, **args.aug_kwargs))
2 改變batch_size和圖片大小。
在這個檔案裡改batch 你會發現這個對比學習的模型 出奇的佔記憶體，當我圖片大小為224時，我的batch只能設定為32.
main函式裡改imagesize 為自己的。
點執行。O了 。 然後發現效果並不是很好。。。。。