目标检测——夏侯南溪模型搭建篇(legacy)

4 定义模型整体结构

4.2 定义网络结构

模块需要包含的信息：

1. 当前模块输出张量的shape；

step 3：获得GPU的设备信息，

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Assuming that we are on a CUDA machine, this should print a CUDA device:
print(device)

这里使用if语句的好处是可以使代码更具有通用性（即也会适合使用CPU进行训练的设备）

step 4：将模型参数迁移至指定的GPU设备！！！（在使用GPU训练时十分重要）

注意：由于我们是在GPU上运行，所以还需要对Net类进行数据格式的迁移，

net.to(device)

注意：除了模型内部参数及其包含的其它变量需要进行数据转换时，inputs和outputs也要进行数据格式的转换，因为它们不属于模型的一部分，不会在上面的代码中自动进行数据转换，需要我们手动地进行转换；

step 4：开启cuDNN

至于为什么需要开启cuDNN可以参考这篇文章《pytorch torch.backends.cudnn设置作用》，

文章说到：

总的来说，大部分情况下，设置这个 flag 可以让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。

一般来讲，应该遵循以下准则：

1. 如果网络的输入数据维度或类型上变化不大，设置  torch.backends.cudnn.benchmark = true  可以增加运行效率；
2. 如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。

4.2.2 前向运算函数

def forward(self, input):
    # code of forward function

step 3：获取模型的参数，

params = [p for p in model.parameters() if p.requires_grad]

这里只取出了需要更新的参数，而被冻结了的参数则不需要进行更新；

step 2：设置网络的优化器，

optimizer = torch.optim.SGD(net.parameters(), lr=LR)
# 其中net_SGD.parameters()向优化器传入了网络的参数信息

step 3：网络前向运算的的自洽性测试，可以参考我们的博文《目标检测——主干网络backbone的测试方法》；

5 训练模型 

step 4：使用CUDA进行训练，即需要将模型迁移至CUDA设备；

首先，获得GPU的设备信息，

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Assuming that we are on a CUDA machine, this should print a CUDA device:
print(device)

然后进行模型的数据类型的转换，

# move model to the right device
model.to(device)

step 4：开启cuDNN加速；

torch.backends.cudnn.benchmark = True

# 不需要对cudnn.deterministic进行设置，这个参数是用来固定cuDNN的随机种子的

step 4：计算loss；

step 5：反向传播梯度；

step 6：模型保存，我们使用.pth格式来保存模型（虽然.pth/.pt/.pkl这几种格式都是可以的），（因为一般来说，扩展名长的格式是后面出来的格式，后出来的格式一般也更加先进一些）

6 模型推理

step 1：尝试使用pillow-simd替换pillow

使用PIL库读取图片，

因为我感觉torch对PIL库的支持要更好一些，

（这是我从一个报错的提示信息中看到的，

  File "E:\Path\Python\Anaconda3\envs\env_general\lib\site-packages\torchvision\transforms\functional.py", line 54, in to_tensor
    raise TypeError('pic should be PIL Image or ndarray. Got {}'.format(type(pic)))
TypeError: pic should be PIL Image or ndarray. Got

所以我们还是选择PIL库进行图片读取；

备注：

使用OpenCV读取图片要注意对图像张量的维度进行变换，参考我的博文《目标检测——使用OpenCV读取图片要注意进行维度变换》

输入变量的类型转换：

注意，输入变量的类型要与模型的类型一致，否则就会报错，

例如：

报错“RuntimeError: Expected object of scalar type Long but got scalar type Float for argument #2 'weight' in call to _thnn_conv2d_forward”，

解决方法可以参考我的博文《使用PyTorch前向运算时出现“RuntimeError: Expected object of scalar type Long but got scalar type Float for ……”》

step 2：初始化检测器，记得将网络设置为eval模式，

net.eval()

因为这样网络在进行forward运算时，会依照参数进行固定输出，而不会进行BN和Dropout的归一化操作；

step 3：关闭梯度计算，（以加快推理速度），

南溪觉得最优雅的实现方式是这样的，

@torch.no_grad()
def infer(model, data):
  model.eval()
  # Rest of infer code

备注：

也可以使用torch.set_grad_enabled()函数来实现，

torch.set_grad_enabled(False)

也可以使用 with torch.no_grad():语句，如图所示，

​

注意：net.eval()和关闭梯度的操作必须同时使用，网络的eval模式不包含关闭梯度运算的操作；

开始看到这样的操作时，我感觉是挺奇怪的，为什么PyTorch不把with torch.no_grad()的操作合并到net.eval()里面去呢？

我开始觉得是没有这样的需求的，

后来我想了一下，的确是有一定的应用场景的，也就是在进行在线学习的时候，

我们将在线推理的数据同时用来训练，因为net.eval()只会关闭BN和Dropout层的更新，

而这对在线学习是不会影响的：

对于Dropout层，推理的时候肯定是要停止更新的，否则模型会有问题；

对于BN层，因为在线学习的时候，每次只有一个样本，所以进行批归一化也没有很大的必要了；

step 3：初始化检测器；

step 4：设置设备，我们使用GPU进行推理；

device = torch.device("cpu" if args.cpu else "cuda")

step 4：开启cuDNN加速；

torch.backends.cudnn.benchmark = true

（这个设置我在“训练模型”的过程中也写了的，因为我们需要把“训练模型”和“模型推理”考虑成两个相对独立的过程，所以这里我们又写了一遍）

step 5：按照batch进行推理；

南溪觉得按照batch进行推理有几个好处，首先是如果GPU资源较好的话，可以将 batch size设置得尽量大一点，这样子推理的速度也会快一些；

还有就是DataLoader在取数据的时候，如果最后几个数据不足以凑足一个batch的话，torch会只取最后几个数据，我感觉还是挺智能的，可以看看下面的实例图，（这是我在做 Digit Recognizer时测试的一个效果图），

​

（这里 Digit Recognizer的test集共有28000个数据，28000%3 = 1，所以这里DataLoader的数据获取操作是正确的）

7 模型评测

8 数据结构设计

可以参考南溪的博文《目标检测——夏侯南溪目标检测模型之数据结构》

9 输出信息的显示

对于输出信息的显示，我们采用str.format()函数来实现；

具体内容可以参考南溪的博文《目标检测——夏侯南溪目标检测模型之输出信息显示》

8 模型蒸馏

10 模型搭建备忘

10.1 编写一个 Jupyter Notebook文件专门进行包的安装

我们可以编写一个 Jupyter Notebook文件专门进行相关第三方包的安装，

可以使用!或者os的命令；