利用pytorch实现迁移学习(Transfer Learning)

时间:2022-06-01
本文章向大家介绍利用pytorch实现迁移学习(Transfer Learning),主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。

迁移学习

迁移学习是深度学习中一种常用的方法,核心思想为利用一个已经在其他训练集训练好的模型的材料(权重值或者特征层)来对目标训练集进行训练。

利用另一个训练集训练好的模型,我们可以:

  • 提取其训练好的特征层(fixed feature extractor),去除其最后的分类层(全连接层)。注意,去除最后一层后保留的最后一层中是激活层,举个例子,在AlexNet中此层的维数为4096,这一层是非常重要的,因为它包含了分类信息值(通过Relu进行阈值提取)。在对于一个新的数据集来说,只需要在刚才提取出来的模型,在最后一层加上自己的分类层,一般为线性分类器(SVM或者softmax分类器),只对最后的那一层进行参数调整。
  • 我们也可以对该网络进行Fine-tuning,与之前方法的提取特征方式相同,但调整参数的方式不同。finetuning即微调,这里即对模型中的所有参数在训练的过程中进行微调,不光光是调整最后一层的数据。在实际中也可以专门对整个网络层中的“表面”层进行调整,这是因为在整个网络层中,每层的特征在对整个训练集的训练中,特殊度会越来越高。也就是说,浅层的特征适用于大部分的数据集(比如边缘检测),但是深层的特征则与之前训练的数据集密切相关(假如你之前训练识别猫,那么这些层中包括了很多猫的独有特征)。

1、Funetuning演示:

演示平台: python3.6、pytorch0.2

from __future__ import print_function, division

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.autograd import Variable
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os

plt.ion()   # 开启plt的交互模式

接下来对数据进行部分展示,注意torch.utils.data.Dataloaders读取之后的数据为Tensor型,数据格式为C×W×H(C为颜色通道,W、H为图像宽和高),但是如果要用plt.imshow工具箱进行显示则必须转化为W×H×C的格式,另外也要进行反规范化。

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)  # 进行少量延时来确保图像正确显示


# 获取训练数据中的一个 batch 
inputs, classes = next(iter(dataloaders['train']))

# 创建网格,注意之前的batch_size = 4
out = torchvision.utils.make_grid(inputs)

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

接下来定义一个训练函数实现以下功能:

1、可以对学习率进行调控; 2、寻找并保存最佳的模型。

def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    since = time.time() # 计时开始

    best_model_wts = model.state_dict() # 读取训练好的模型权重
    best_acc = 0.0

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # 每个epoch中游训练和验证部分
        for phase in ['train', 'val']:
            if phase == 'train':
                scheduler.step()
                model.train(True)  
            else:
                model.train(False)  

            running_loss = 0.0
            running_corrects = 0


            for data in dataloaders[phase]:

                inputs, labels = data

                # 如果使用GPU,则使用Variable
                if use_gpu:
                    inputs = Variable(inputs.cuda())
                    labels = Variable(labels.cuda())
                else:
                    inputs, labels = Variable(inputs), Variable(labels)

                # 初始化梯度值
                optimizer.zero_grad()

                # 前向
                outputs = model(inputs)
                _, preds = torch.max(outputs.data, 1)
                loss = criterion(outputs, labels)

                # 后向,如果为训练集则进行梯度优化
                if phase == 'train':
                    loss.backward()
                    optimizer.step()

                # 统计损失
                running_loss += loss.data[0]
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / dataset_sizes[phase]
            epoch_acc = running_corrects / dataset_sizes[phase]

            print('{} Loss: {:.4f} Acc: {:.4f}'.format(
                phase, epoch_loss, epoch_acc))

            # 深度复制该模型
            if phase == 'val' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = 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))

    # 载入最佳的模型
    model.load_state_dict(best_model_wts)
    return model

对预测的图像数据进行可视化

定义一个可视化函数

def visualize_model(model, num_images=6):
    images_so_far = 0
    fig = plt.figure()

    for i, data in enumerate(dataloaders['val']):
        inputs, labels = data
        if use_gpu:
            inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda())
        else:
            inputs, labels = Variable(inputs), Variable(labels)

        outputs = model(inputs)
        _, preds = torch.max(outputs.data, 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:
                return

接下来对模型进行训练,在训练过程中对已经训练好的模型中的参数继续进行训练,然后在每个epoch中记录此刻最好的模型参数。

model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
                       num_epochs=25)

以下是训练结果,程序执行时间带CPU中为10-25分钟,GPU为1-2分钟。 (GTX1060为2分钟)

Epoch 0/24
----------
train Loss: 0.1660 Acc: 0.6762
val Loss: 0.0445 Acc: 0.9542

Epoch 1/24
----------
train Loss: 0.1141 Acc: 0.8033
val Loss: 0.0877 Acc: 0.8693

Epoch 2/24
----------
train Loss: 0.1440 Acc: 0.7623
val Loss: 0.0484 Acc: 0.9346

Epoch 3/24
----------
train Loss: 0.1082 Acc: 0.8074
val Loss: 0.0787 Acc: 0.8824

Epoch 4/24
----------
train Loss: 0.1751 Acc: 0.7500
val Loss: 0.2313 Acc: 0.7647

Epoch 5/24
----------
train Loss: 0.1367 Acc: 0.8074
val Loss: 0.1766 Acc: 0.7908

Epoch 6/24
----------
train Loss: 0.1456 Acc: 0.8156
val Loss: 0.1116 Acc: 0.7908

Epoch 7/24
----------
train Loss: 0.1259 Acc: 0.8033
val Loss: 0.0793 Acc: 0.8627

Epoch 8/24
----------
train Loss: 0.0807 Acc: 0.8607
val Loss: 0.0781 Acc: 0.8758

Epoch 9/24
----------
train Loss: 0.0618 Acc: 0.8730
val Loss: 0.0778 Acc: 0.8824

Epoch 10/24
----------
train Loss: 0.0804 Acc: 0.8566
val Loss: 0.0876 Acc: 0.8758

Epoch 11/24
----------
train Loss: 0.0751 Acc: 0.8607
val Loss: 0.0945 Acc: 0.8693

Epoch 12/24
----------
train Loss: 0.0695 Acc: 0.8770
val Loss: 0.0950 Acc: 0.8824

Epoch 13/24
----------
train Loss: 0.0596 Acc: 0.8852
val Loss: 0.0907 Acc: 0.8889

Epoch 14/24
----------
train Loss: 0.0624 Acc: 0.9016
val Loss: 0.0785 Acc: 0.8824

Epoch 15/24
----------
train Loss: 0.0546 Acc: 0.9139
val Loss: 0.0810 Acc: 0.8824

Epoch 16/24
----------
train Loss: 0.0982 Acc: 0.8484
val Loss: 0.1054 Acc: 0.8824

Epoch 17/24
----------
train Loss: 0.0659 Acc: 0.8893
val Loss: 0.0839 Acc: 0.8889

Epoch 18/24
----------
train Loss: 0.0645 Acc: 0.8893
val Loss: 0.0760 Acc: 0.8824

Epoch 19/24
----------
train Loss: 0.0723 Acc: 0.8934
val Loss: 0.0699 Acc: 0.8758

Epoch 20/24
----------
train Loss: 0.0689 Acc: 0.8852
val Loss: 0.0733 Acc: 0.8627

Epoch 21/24
----------
train Loss: 0.0656 Acc: 0.8893
val Loss: 0.0915 Acc: 0.8954

Epoch 22/24
----------
train Loss: 0.0756 Acc: 0.8770
val Loss: 0.0772 Acc: 0.8889

Epoch 23/24
----------
train Loss: 0.0695 Acc: 0.8934
val Loss: 0.0724 Acc: 0.8627

Epoch 24/24
----------
train Loss: 0.0556 Acc: 0.9139
val Loss: 0.0821 Acc: 0.8889

Training complete in 1m 26s
Best val Acc: 0.954248

由此可知,第一次epoch中的参数为最好参数,将其记录下来。 观察结果:

visualize_model(model_ft)

可以看到,95%的正确率还是很高的。

2、Fixed feature extractor演示

与之前的步骤类似,不同的是除了自己添加的全连接层需要更新外,其他的卷积层保持之前训练好的参数,不进行更新。

model_conv = torchvision.models.resnet18(pretrained=True)
for param in model_conv.parameters():
    param.requires_grad = False # 设置为false则梯度不会进行更新

# 新创建的parameters,默认param.requires_grad = True
num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)

if use_gpu:
    model_conv = model_conv.cuda()

criterion = nn.CrossEntropyLoss()

# 注意这里仅仅对fc进行参数更新(fc为整个网络中的最后一层)
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)

# 学习率每7个epoch下降0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)

开始进行训练

model_conv = train_model(model_conv, criterion, optimizer_conv,
                         exp_lr_scheduler, num_epochs=25)
Epoch 0/24
----------
train Loss: 0.1913 Acc: 0.5738
val Loss: 0.1566 Acc: 0.6732

Epoch 1/24
----------
train Loss: 0.1469 Acc: 0.7295
val Loss: 0.0659 Acc: 0.9085

Epoch 2/24
----------
train Loss: 0.1189 Acc: 0.7623
val Loss: 0.0458 Acc: 0.9477

Epoch 3/24
----------
train Loss: 0.1191 Acc: 0.8033
val Loss: 0.0463 Acc: 0.9281

Epoch 4/24
----------
train Loss: 0.1470 Acc: 0.7582
val Loss: 0.1730 Acc: 0.7255

Epoch 5/24
----------
train Loss: 0.1590 Acc: 0.7746
val Loss: 0.0451 Acc: 0.9346

Epoch 6/24
----------
train Loss: 0.0950 Acc: 0.8361
val Loss: 0.0486 Acc: 0.9412

Epoch 7/24
----------
train Loss: 0.0734 Acc: 0.8975
val Loss: 0.0502 Acc: 0.9412

Epoch 8/24
----------
train Loss: 0.0821 Acc: 0.8689
val Loss: 0.0417 Acc: 0.9477

Epoch 9/24
----------
train Loss: 0.1085 Acc: 0.7910
val Loss: 0.0513 Acc: 0.9346

Epoch 10/24
----------
train Loss: 0.0908 Acc: 0.8443
val Loss: 0.0468 Acc: 0.9477

Epoch 11/24
----------
train Loss: 0.0803 Acc: 0.8484
val Loss: 0.0416 Acc: 0.9477

Epoch 12/24
----------
train Loss: 0.0907 Acc: 0.8525
val Loss: 0.0425 Acc: 0.9477

Epoch 13/24
----------
train Loss: 0.0811 Acc: 0.8443
val Loss: 0.0433 Acc: 0.9542

Epoch 14/24
----------
train Loss: 0.1185 Acc: 0.8115
val Loss: 0.0460 Acc: 0.9542

Epoch 15/24
----------
train Loss: 0.0851 Acc: 0.8361
val Loss: 0.0434 Acc: 0.9542

Epoch 16/24
----------
train Loss: 0.0975 Acc: 0.8361
val Loss: 0.0431 Acc: 0.9542

Epoch 17/24
----------
train Loss: 0.0756 Acc: 0.8730
val Loss: 0.0518 Acc: 0.9346

Epoch 18/24
----------
train Loss: 0.0938 Acc: 0.8361
val Loss: 0.0448 Acc: 0.9477

Epoch 19/24
----------
train Loss: 0.0837 Acc: 0.8402
val Loss: 0.0462 Acc: 0.9412

Epoch 20/24
----------
train Loss: 0.0849 Acc: 0.8443
val Loss: 0.0448 Acc: 0.9477

Epoch 21/24
----------
train Loss: 0.0701 Acc: 0.8934
val Loss: 0.0470 Acc: 0.9477

Epoch 22/24
----------
train Loss: 0.0822 Acc: 0.8525
val Loss: 0.0403 Acc: 0.9477

Epoch 23/24
----------
train Loss: 0.0934 Acc: 0.8525
val Loss: 0.0433 Acc: 0.9412

Epoch 24/24
----------
train Loss: 0.0872 Acc: 0.8361
val Loss: 0.0393 Acc: 0.9477

Training complete in 0m 51s
Best val Acc: 0.954248

总结

Transfer Learning关心的问题是:什么是“知识”以及如何更好地运用之前得到的“知识”。这可以有很多方法和手段。fine-tune是其中的一种手段。在实际操作中有很多的方法可以使用,也可以对不同的特征层进行不同策略的参数调整。

迁移学习是一种思想,在众多方法的修饰下,可以很好的完成任务。

参考资料: 1、http://cs231n.github.io/transfer-learning/ 2、http://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html#convnet-as-fixed-feature-extractor 3、https://www.zhihu.com/question/49534423

此文由腾讯云爬虫爬取,文章来源于Oldpan博客

欢迎关注Oldpan博客公众号,持续酝酿深度学习质量文: