国外的包装设计网站,首页网址,wordpress怎么把分类弄成导航,wordpress自定义帖子链接目录
1.迁移学习概念
2.数据预处理 3.训练模型#xff08;基于迁移学习#xff09;
3.1选择网络#xff0c;这里用resnet 3.2如果用GPU训练#xff0c;需要加入以下代码
3.3卷积层冻结模块
3.4加载resnet152模
3.5解释initialize_model函数
3.6迁移学习网络搭建
3.…目录
1.迁移学习概念
2.数据预处理 3.训练模型基于迁移学习
3.1选择网络这里用resnet 3.2如果用GPU训练需要加入以下代码
3.3卷积层冻结模块
3.4加载resnet152模
3.5解释initialize_model函数
3.6迁移学习网络搭建
3.7优化器
3.8训练模块可以理解为主函数
3.9开始训练
3.10微调 4.测试模型
4.1加载训练好的模型 4.2测试数据预处理 4.3数据展示 4.4提取测试数据集 4.5计算提取数据集的预测结果 4.6展示预测结果 参考文献 1.迁移学习概念
先说一下深度学习常见的问题 1.数据集不够通常用数据增强解决。 2.参数难以确定训练时间长这就需要用迁移学习来解决 什么叫迁移学习呢比方说有一个对100w的自行车数据集并用VGG模型训练好的网络而此时你想训练一个1w自行车数据集虽然对象一样但采集的数据会不同也用VGG模型进行训练你发现你们数据集的对象一样选用的网络模型一样此时在初始化自己模型权重就是卷积层池化层和全连接层的参数时可以用人家训练好的模型参数如果不这样就需要随机初始化模型权重这样做可以节省大量寻找最优参数的时间又可以保证参数的准确。 总结迁移学习就是用别人的东西训练自己的东西但要注意为了使用别人的模型参数要保证自己的数据对象、网络结构、输入和输出数据的结构和别人相同。比方说别人识别狗你不能识别 猫别人用VGG你不能用resnet别人输入和输入图像大小是224×224.你不能是256×256。 进一步理解迁移学习的使用1看下图最大的红框表示卷积层当用别人的模型时对卷积层的两种处理方式。 A作为自己模型权重的初始化参数。 B冻结卷积层网络意思是直接用别人的参数不再更新。冻结卷积层网络又分几种情况。 B1当数据量小时冻结第二大红框表示的卷积层剩下卷积层进行更新。因为数据量小时容易过拟合直接用别人呢参数最好。 B2当数据量中等时冻结最小红框表示的卷积层剩下的卷积层进行更行。 B3当数据量足够大时不冻结卷积层用A的方法只作为自己模型权重的初始化参数。数据量大时虽然对象一样但毕竟数据不同会有一定差异更新参数是最优选择。 进一步理解迁移学习的使用2说完卷积层在说一下全连接层必须要注意不管卷积层选A还是B全连接层都是要更新的原因在于别人模型进行图像分类可能是进行1000个分类而你只进行100或者999个分类那么全连接层的参数肯定是不同的。 2.数据预处理
上接该文pytorch实战-图像分类一数据预处理 3.训练模型基于迁移学习 3.1选择网络这里用resnet
model_name resnet #可选的比较多 [resnet, alexnet, vgg, squeezenet, densenet, inception]
#是否用人家训练好的特征来做
feature_extract True 3.2如果用GPU训练需要加入以下代码
# 是否用GPU训练
train_on_gpu torch.cuda.is_available()if not train_on_gpu:print(CUDA is not available. Training on CPU ...)
else:print(CUDA is available! Training on GPU ...)device torch.device(cuda:0 if torch.cuda.is_available() else cpu) 3.3卷积层冻结模块
def set_parameter_requires_grad(model, feature_extracting):if feature_extracting:for param in model.parameters():param.requires_grad False 3.4加载resnet152模
注意resnet152模型就是别人的模型。
model_ft models.resnet152()
model_ft 3.5解释initialize_model函数
本小节只是截取pytorch官网的一个例子用initialize_model说明在pytoch中迁移学习怎么使用不属于本文代码
具体操作如下 1.下载别人的模型参数这里下载restnet152模型 2.选择需要冻结的卷积层 3.改变全连接层的输出个数这里将1000改为102
def initialize_model(model_name, num_classes, feature_extract, use_pretrainedTrue):# 选择合适的模型不同模型的初始化方法稍微有点区别model_ft Noneinput_size 0if model_name resnet: Resnet152model_ft models.resnet152(pretraineduse_pretrained) #下载resnet152模型set_parameter_requires_grad(model_ft, feature_extract) #选择冻结哪部分卷积层num_ftrs model_ft.fc.in_features #全连接层的输入比方说全连接层是2048×1000这就是2048.model_ft.fc nn.Sequential(nn.Linear(num_ftrs, 102),nn.LogSoftmax(dim1)) #原resnet152的全连接层输出是1000自己模型需要的输出是102进行改动。input_size 224return model_ft, input_size 3.6迁移学习网络搭建
model_ft, input_size initialize_model(model_name, 102, feature_extract, use_pretrainedTrue)#GPU计算
model_ft model_ft.to(device)# 模型保存
filenamecheckpoint.pth# 是否训练所有层
params_to_update model_ft.parameters()
print(Params to learn:)
if feature_extract:params_to_update []for name,param in model_ft.named_parameters():if param.requires_grad True:params_to_update.append(param)print(\t,name)
else:for name,param in model_ft.named_parameters():if param.requires_grad True:print(\t,name) 3.7优化器
就是用该方法更新模型参数
# 优化器设置
optimizer_ft optim.Adam(params_to_update, lr1e-2)
scheduler optim.lr_scheduler.StepLR(optimizer_ft, step_size7, gamma0.1)#学习率每7个epoch衰减成原来的1/10
#最后一层已经LogSoftmax()了所以不能nn.CrossEntropyLoss()来计算了nn.CrossEntropyLoss()相当于logSoftmax()和nn.NLLLoss()整合
criterion nn.NLLLoss() 3.8训练模块可以理解为主函数
def train_model(model, dataloaders, criterion, optimizer, num_epochs25, is_inceptionFalse,filenamefilename):since time.time() #best_acc 0checkpoint torch.load(filename)best_acc checkpoint[best_acc]model.load_state_dict(checkpoint[state_dict])optimizer.load_state_dict(checkpoint[optimizer])model.class_to_idx checkpoint[mapping]model.to(device)val_acc_history []train_acc_history []train_losses []valid_losses []LRs [optimizer.param_groups[0][lr]]best_model_wts copy.deepcopy(model.state_dict())for epoch in range(num_epochs):print(Epoch {}/{}.format(epoch, num_epochs - 1))print(- * 10)# 训练和验证for phase in [train, valid]:if phase train:model.train() # 训练else:model.eval() # 验证running_loss 0.0running_corrects 0# 把数据都取个遍for inputs, labels in dataloaders[phase]:inputs inputs.to(device)labels labels.to(device)# 清零optimizer.zero_grad()# 只有训练的时候计算和更新梯度with torch.set_grad_enabled(phase train):if is_inception and phase train:outputs, aux_outputs model(inputs)loss1 criterion(outputs, labels)loss2 criterion(aux_outputs, labels)loss loss1 0.4*loss2else:#resnet执行的是这里outputs model(inputs)loss criterion(outputs, labels)_, preds torch.max(outputs, 1)# 训练阶段更新权重if phase train:loss.backward()optimizer.step()# 计算损失running_loss loss.item() * inputs.size(0)running_corrects torch.sum(preds labels.data)epoch_loss running_loss / len(dataloaders[phase].dataset)epoch_acc running_corrects.double() / len(dataloaders[phase].dataset)time_elapsed time.time() - sinceprint(Time elapsed {:.0f}m {:.0f}s.format(time_elapsed // 60, time_elapsed % 60))print({} Loss: {:.4f} Acc: {:.4f}.format(phase, epoch_loss, epoch_acc))# 得到最好那次的模型if phase valid and epoch_acc best_acc:best_acc epoch_accbest_model_wts copy.deepcopy(model.state_dict())state {state_dict: model.state_dict(),best_acc: best_acc,optimizer : optimizer.state_dict(),}torch.save(state, filename)if phase valid:val_acc_history.append(epoch_acc)valid_losses.append(epoch_loss)scheduler.step(epoch_loss)if phase train:train_acc_history.append(epoch_acc)train_losses.append(epoch_loss)print(Optimizer learning rate : {:.7f}.format(optimizer.param_groups[0][lr]))LRs.append(optimizer.param_groups[0][lr])print()time_elapsed time.time() - sinceprint(Training complete in {:.0f}m {:.0f}s.format(time_elapsed // 60, time_elapsed % 60))print(Best val Acc: {:4f}.format(best_acc))# 训练完后用最好的一次当做模型最终的结果model.load_state_dict(best_model_wts)return model, val_acc_history, train_acc_history, valid_losses, train_losses, LRs 3.9开始训练
model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs train_model(model_ft, dataloaders, criterion, optimizer_ft, num_epochs20, is_inception(model_nameinception)) 3.10微调
在2.9中得到的模型是冻结了卷积层只训练了全连接层所以此时希望在此基础上再对卷积层进行训练。
for param in model_ft.parameters():param.requires_grad True# 再继续训练所有的参数学习率调小一点
optimizer optim.Adam(params_to_update, lr1e-4)
scheduler optim.lr_scheduler.StepLR(optimizer_ft, step_size7, gamma0.1)# 损失函数
criterion nn.NLLLoss()# Load the checkpoint加载自己的模型checkpoint torch.load(filename)
best_acc checkpoint[best_acc]
model_ft.load_state_dict(checkpoint[state_dict])
optimizer.load_state_dict(checkpoint[optimizer])
#model_ft.class_to_idx checkpoint[mapping]model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs train_model(model_ft, dataloaders, criterion, optimizer, num_epochs10, is_inception(model_nameinception)) 4.测试模型 4.1加载训练好的模型
model_ft, input_size initialize_model(model_name, 102, feature_extract, use_pretrainedTrue)# GPU模式
model_ft model_ft.to(device)# 保存文件的名字
filenameseriouscheckpoint.pth# 加载模型
checkpoint torch.load(filename)
best_acc checkpoint[best_acc]
model_ft.load_state_dict(checkpoint[state_dict]) 4.2测试数据预处理 1.测试数据处理方法需要跟训练时一直才可以 2.crop操作的目的是保证输入的大小是一致的 3.标准化操作也是必须的用跟训练数据相同的mean和std,但是需要注意一点训练数据是在0-1上进行标准化所以测试数据也需要先归一化 4.PyTorch中颜色通道是第一个维度跟很多工具包都不一样需要转换
def process_image(image_path):# 读取测试数据img Image.open(image_path)# Resize,thumbnail方法只能进行缩小所以进行了判断if img.size[0] img.size[1]:img.thumbnail((10000, 256))else:img.thumbnail((256, 10000))# Crop操作left_margin (img.width-224)/2bottom_margin (img.height-224)/2right_margin left_margin 224top_margin bottom_margin 224img img.crop((left_margin, bottom_margin, right_margin, top_margin))# 相同的预处理方法img np.array(img)/255mean np.array([0.485, 0.456, 0.406]) #provided meanstd np.array([0.229, 0.224, 0.225]) #provided stdimg (img - mean)/std# 注意颜色通道应该放在第一个位置img img.transpose((2, 0, 1))return img 4.3数据展示
def imshow(image, axNone, titleNone):展示数据if ax is None:fig, ax plt.subplots()# 颜色通道还原image np.array(image).transpose((1, 2, 0))# 预处理还原mean np.array([0.485, 0.456, 0.406])std np.array([0.229, 0.224, 0.225])image std * image meanimage np.clip(image, 0, 1)ax.imshow(image)ax.set_title(title)return ax 4.4提取测试数据集
# 得到一个batch的测试数据
dataiter iter(dataloaders[valid])
images, labels dataiter.next()model_ft.eval()if train_on_gpu:output model_ft(images.cuda())
else:output model_ft(images) 4.5计算提取数据集的预测结果
_, preds_tensor torch.max(output, 1)preds np.squeeze(preds_tensor.numpy()) if not train_on_gpu else np.squeeze(preds_tensor.cpu().numpy())
preds 4.6展示预测结果
figplt.figure(figsize(20, 20))
columns 4
rows 2for idx in range (columns*rows):ax fig.add_subplot(rows, columns, idx1, xticks[], yticks[])plt.imshow(im_convert(images[idx]))ax.set_title({} ({}).format(cat_to_name[str(preds[idx])], cat_to_name[str(labels[idx].item())]),color(green if cat_to_name[str(preds[idx])]cat_to_name[str(labels[idx].item())] else red))
plt.show() 参考文献
1.6-训练结果与模型保存_哔哩哔哩_bilibili
