在学习pytorch过程中遇到的一些难题,博主在这里进行记录。主要针对官网里面例子的代码,其中对有些基础python知识与pytorch中的接口函数细节理解。
这个例子介绍如何用PyTorch进行迁移学习训练一个ResNet模型来对蚂蚁和蜜蜂进行分类。
数据增强与存放
1.transforms是很常用的图片变换方式,可以通过compose将各个变换串联起来。class torchvision.transforms.Compose (transforms) 这个类将多个变换方式结合在一起,参数:各个变换的实例对象。torchvision.transforms.RandomSizedCrop是做crop的。需要注意的是对于torchvision.transforms.RandomSizedCrop和transforms.RandomHorizontalFlip()等,输入对象都是PIL Image,也就是用python的PIL库读进来的图像内容。
2. torchvision.transforms.ToTensor,将PIL图片或者numpy.ndarray转成Tensor类型的,将PIL图片或者numpy.ndarray(HxWxC) (范围在0-255) 转成torch.FloatTensor (CxHxW) (范围为0.0-1.0)
3.data_dir = 'data/hymenoptera_data’这是存放数据集的地址。数据导入是从datasets.ImageFolder接口实现的。os.path.join()函数用于路径拼接文件路径。因为数据集中有train与val,所以需要用 for x in [‘train’, ‘val’]来循环完成数据存放。这里image_datasets是一个字典,返回image_datasets[‘train’],image_datasets[‘val]两个tuple,每个tuple包含图像和标签信息。
4.datasets.ImageFolder返回的是字典,并不能作为模型的输入,所以torch.utils.data.DataLoader类将其转变为Tensor数据模式。
训练模型
这里的主要操作有:Scheduling the learning rate(规划学习率)、Saving the best model(保存最优模型)
先介绍 scheduler 的用法:
制定任意一层的学习率(多个参数组):下面为两个参数组
那么多个参数组如何进一步调整学习率呢?用到torch.optim.lr_scheduler ,它提供了几种方法来根据epoches的数量调整学习率。有些优化算法已经拥有了学习率衰减参数lr_decay 。
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)
其中optimizer就是包装好的优化器,step_size (int) 为学习率衰减期,指几个epoch衰减一次。gamma为学习率衰减的乘积因子。 默认为0.1 。当last_epoch=-1时,将初始lr设置为lr。
best_model_wts = copy.deepcopy(model.state_dict()) 先深拷贝一份当前模型的参数,后面迭代过程中若遇到更优模型则替换。
scheduler.step() 训练的时候进行学习率规划,其定义在下面给出。
if phase == ‘val’ and epoch_acc > best_acc: 当验证时遇到了更好的模型则予以保留
best_model_wts = copy.deepcopy(model.state_dict()) 深拷贝模型参数
model.load_state_dict(best_model_wts) # 载入最优模型参数
Finetuning the convnet
加载预训练模型并重置最终完全连接的图层。注意这里是对所有层参数进行微调。
model_ft即为含训练好参数的残差网络,num_ftrs = model_ft.fc.in_features 最后一个全连接的输入维度,这里实为512。
model_ft.fc = nn.Linear(num_ftrs, 2) # 将最后一个全连接由(512, 1000)改为(512, 2) 因为原网络是在1000类的ImageNet数据集上训练的。
CPU上需要大约15-25分钟。但是在GPU上,它只需不到一分钟。
ConvNet as fixed feature extractor
将conv的参数都固定,只调整全连接。
param.requires_grad = False# 将所有参数求导设为否
需要注意的是:新构建的model的参数默认为 requires_grad=True !
训练结果比全局调优还好一些。