PyTorch迁移学习-私人数据集上的蚂蚁蜜蜂分类
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)
7. 场景二：CNN作为固定特征提取器
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)
