PyTorch遷移學習
實際中，基本沒有人會從零開始（隨機初始化）訓練一個完整的卷積網絡，因為相對于網絡，很難得到一個足夠大的數據集[網絡很深, 需要足夠大數據集]。通常的做法是在一個很大的數據集上進行預訓練，得到卷積網絡ConvNet, 然后，將這個ConvNet的參數，作為目標任務的初始化參數，或者固定這些參數。
轉移學習的兩個主要場景：
? 微調Convnet：使用預訓練的網絡(如在imagenet 1000上訓練而來的網絡)，來初始化自己的網絡，而不是隨機初始化。其它的訓練步驟不變。
? 將Convnet看成固定的特征提取器: 首先固定ConvNet，除了最后的全連接層外的其他所有層。最后的全連接層被替換成一個新的隨機初始化的層，只有這個新的層會被訓練[只有這層參數會在反向傳播時更新]
下面是利用PyTorch進行遷移學習步驟，要解決的問題是，訓練一個模型來對螞蟻和蜜蜂進行分類。
1.導入相關的包

License: BSD

Author: Sasank Chilamkurthy

from future import print_function, division

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

plt.ion() # interactive mode
2.加載數據
要解決的問題是，訓練一個模型來分類螞蟻ants和蜜蜂bees。ants和bees各有約120張訓練圖片。每個類有75張驗證圖片。從零開始，在如此小的數據集上進行訓練，通常是很難泛化的。由于使用遷移學習，模型的泛化能力會相當好。該數據集是imagenet的一個非常小的子集。下載數據，并將其解壓縮到當前目錄。
＃訓練集數據擴充和歸一化
＃在驗證集上僅需要歸一化
data_transforms = {
‘train’: transforms.Compose([
transforms.RandomResizedCrop(224), #隨機裁剪一個area然后再resize
transforms.RandomHorizontalFlip(), #隨機水平翻轉
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 = ‘data/hymenoptera_data’
image_datasets = {x: 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

device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)
3.可視化部分圖像數據
可視化部分訓練圖像，以便了解數據擴充。
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) # pause a bit so that plots are updated

獲取一批訓練數據

inputs, classes = next(iter(dataloaders[‘train’]))

批量制作網格

out = torchvision.utils.make_grid(inputs)

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

4.訓練模型
編寫一個通用函數來訓練模型。下面將說明： * 調整學習速率 * 保存最好的模型
下面的參數scheduler，是一個來自 torch.optim.lr_scheduler的學習速率調整類的對象(LR scheduler object)。
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
since = time.time()

best_model_wts = copy.deepcopy(model.state_dict())
best_acc = 0.0for epoch in range(num_epochs):print('Epoch {}/{}'.format(epoch, num_epochs - 1))print('-' * 10)# 每個epoch都有一個訓練和驗證階段for phase in ['train', 'val']:if phase == 'train':scheduler.step()model.train()  # Set model to training modeelse:model.eval()   # Set model to evaluate moderunning_loss = 0.0running_corrects = 0# 迭代數據.for inputs, labels in dataloaders[phase]:inputs = inputs.to(device)labels = labels.to(device)# 零參數梯度optimizer.zero_grad()# 前向# track history if only in trainwith torch.set_grad_enabled(phase == 'train'):outputs = model(inputs)_, preds = torch.max(outputs, 1)loss = criterion(outputs, labels)# 后向+僅在訓練階段進行優化if phase == 'train':loss.backward()optimizer.step()# 統計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))# 深度復制moif phase == 'val' and epoch_acc > best_acc:best_acc = epoch_accbest_model_wts = copy.deepcopy(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))# 加載最佳模型權重
model.load_state_dict(best_model_wts)
return model

5.可視化模型的預測結果
#一個通用的展示少量預測圖片的函數
def visualize_model(model, num_images=6):
was_training = model.training
model.eval()
images_so_far = 0
fig = plt.figure()

with torch.no_grad():for i, (inputs, labels) in enumerate(dataloaders['val']):inputs = inputs.to(device)labels = labels.to(device)outputs = model(inputs)_, preds = torch.max(outputs, 1)for j in range(inputs.size()[0]):images_so_far += 1ax = 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:model.train(mode=was_training)returnmodel.train(mode=was_training)

6.場景1：微調ConvNet
加載預訓練模型，重置最終完全連接的圖層。
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2)

model_ft = model_ft.to(device)

criterion = nn.CrossEntropyLoss()

觀察所有參數都正在優化

optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)

每7個epochs衰減LR通過設置gamma=0.1

exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
訓練和評估模型
（1）訓練模型 該過程在CPU上，需要大約15-25分鐘，但是在GPU上，它只需不到一分鐘。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
? 輸出
Epoch 0/24

train Loss: 0.7032 Acc: 0.6025
val Loss: 0.1698 Acc: 0.9412

Epoch 1/24

train Loss: 0.6411 Acc: 0.7787
val Loss: 0.1981 Acc: 0.9281
·
·
·
Epoch 24/24

train Loss: 0.2812 Acc: 0.8730
val Loss: 0.2647 Acc: 0.9150

Training complete in 1m 7s
Best val Acc: 0.941176
（2）模型評估效果可視化
visualize_model(model_ft)
? 輸出
?

7.場景2：ConvNet作為固定特征提取器
需要凍結除最后一層之外的所有網絡。通過設置requires_grad == Falsebackward()
來凍結參數，這樣在反向傳播backward()的時候，梯度就不會被計算。
model_conv = torchvision.models.resnet18(pretrained=True)
for param in model_conv.parameters():
param.requires_grad = False

Parameters of newly constructed modules have requires_grad=True by default

num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)

model_conv = model_conv.to(device)

criterion = nn.CrossEntropyLoss()

Observe that only parameters of final layer are being optimized as

opposed to before.

optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)

Decay LR by a factor of 0.1 every 7 epochs

exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
訓練和評估
（1）訓練模型 在CPU上，與前一個場景相比，這將花費大約一半的時間，因為不需要為大多數網絡計算梯度。但需要計算轉發。
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
? 輸出
Epoch 0/24

train Loss: 0.6400 Acc: 0.6434
val Loss: 0.2539 Acc: 0.9085
·
·
·
Epoch 23/24

train Loss: 0.2988 Acc: 0.8607
val Loss: 0.2151 Acc: 0.9412

Epoch 24/24

train Loss: 0.3519 Acc: 0.8484
val Loss: 0.2045 Acc: 0.9412

Training complete in 0m 35s
Best val Acc: 0.954248
（2）模型評估效果可視化
visualize_model(model_conv)

plt.ioff()
plt.show()
? 輸出

8.文件下載
? py文件
? jupyter文件

總結

以上是生活随笔為你收集整理的PyTorch迁移学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。