PyTorch迁移学习 |
您所在的位置：网站首页 › 蜜蜂蚂蚁的等级制度 › PyTorch迁移学习 |
PyTorch迁移学习
|
1. 迁移学习的两个主要场景
微调CNN：使用预训练的网络来初始化自己的网络，而不是随机初始化，然后训练即可将CNN看成固定的特征提取器：固定前面的层，重写最后的全连接层，只有这个新的层会被训练
下面修改预训练好的resnet18网络在私人数据集上进行训练来分类蚂蚁和蜜蜂 2. 数据集下载这里使用的数据集包含ants和bees训练图片各约120张，验证图片各75张。由于数据样本非常少，如果从0初始化一个网络进行训练很难有令人满意的结果，这时候迁移学习就派上了用场。数据集下载地址，下载后解压到项目目录 3. 导入相关包 import torch import torch.nn as nn import torch.optim as optim import numpy as np import torchvision import torchvision.transforms as transforms import time import os import copy device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') 4. 加载数据PyTorch提供了 torchvision.datasets.ImageFolder 方法来加载私人数据集： # 训练数据集需要扩充和归一化 # 验证数据集仅需要归一化 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 = 'hymenoptera_data' image_datasets = { x: torchvision.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 5. 定义一个通用的训练函数，得到最优参数 # 训练模型函数，参数scheduler是一个 torch.optim.lr_scheduler 学习速率调整类对象 def train_model(model, criterion, optimizer, scheduler, num_epochs=2): since = time.time() best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0.0 for epoch in range(num_epochs): print('-' * 20) print('Epoch {}/{}'.format(epoch+1, num_epochs)) # 每个epoch都有一个训练和验证阶段 for phase in ['train', 'val']: if phase == 'train': model.train() # 训练模式 else: model.eval() # 验证模式 running_loss = 0.0 running_corrects = 0 for inputs, labels in dataloaders[phase]: inputs = inputs.to(device) labels = labels.to(device) # 训练阶段开启梯度跟踪 with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) # 仅在训练阶段进行后向+优化 if phase == 'train': optimizer.zero_grad() loss.backward() optimizer.step() scheduler.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)) # 记录最好的状态 if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc best_model_wts = copy.deepcopy(model.state_dict()) print('-' * 20) 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)) # 返回最佳参数的模型 model.load_state_dict(best_model_wts) return model 6. 场景一：微调CNN这里我们使用resnet18作为我们的初始网络，在自己的数据集上继续训练预训练好的模型，所不同的是，我们修改原网络最后的全连接层输出维度为2，因为我们只需要预测是蚂蚁还是蜜蜂，原网络输出维度是1000，预测了1000个类别： net = torchvision.models.resnet18(pretrained=True) # 加载resnet网络结构和预训练参数 num_ftrs = net.fc.in_features # 提取fc层的输入参数 net.fc = nn.Linear(num_ftrs, 2) # 修改输出维度为2 net = net.to(device) # 使用分类交叉熵 Cross-Entropy 作损失函数，动量SGD做优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 每5个epochs衰减一次学习率 new_lr = old_lr * gamma ^ (epoch/step_size) lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1) # 训练模型 net = train_model(net, criterion, optimizer, lr_scheduler, num_epochs=10)
这里我们通过设置 requires_grad == False 冻结除最后一层之外的所有网络，这样在反向传播的时候他们的梯度就不会被计算，参数也不会更新： net = torchvision.models.resnet18(pretrained=True) # 通过设置requires_grad = False来冻结参数，这样在反向传播的时候他们的梯度就不会被计算 for param in net.parameters(): param.requires_grad = False # 新连接层参数默认requires_grad=True num_ftrs = net.fc.in_features net.fc = nn.Linear(num_ftrs, 2) net = net.to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.fc.parameters(), lr=0.001, momentum=0.9) lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1) net = train_model(net, criterion, optimizer, lr_scheduler, num_epochs=20)
|
【本文地址】