本笔记主要学习的是《深度学习框架PyTorch:入门与实践》
本节的笔记是学习 文件组织架构模型定义
数据处理和加载
训练模型(Train&Validate)
训练过程的可视化
测试(Test/Inference)
另外程序还应该满足以下几个要求:模型需具有高度可配置性,便于修改参数、修改模型,反复实验
代码应具有良好的组织结构,使人一目了然
代码应具有良好的说明,使其他人能够理解
首先来看程序文件的组织结构:
├── checkpoints/
├── data/
│ ├── __init__.py
│ ├── dataset.py
│ └── get_data.sh
├── models/
│ ├── __init__.py
│ ├── AlexNet.py
│ ├── BasicModule.py
│ └── ResNet34.py
└── utils/
│ ├── __init__.py
│ └── visualize.py
├── config.py
├── main.py
├── requirements.txt
├── README.mdcheckpoints/: 用于保存训练好的模型,可使程序在异常退出后仍能重新载入模型,恢复训练
data/:数据相关操作,包括数据预处理、dataset实现等
models/:模型定义,可以有多个模型,例如上面的AlexNet和ResNet34,一个模型对应一个文件
utils/:可能用到的工具函数,在本次实验中主要是封装了可视化工具
config.py:配置文件,所有可配置的变量都集中在此,并提供默认值
main.py:主文件,训练和测试程序的入口,可通过不同的命令来指定不同的操作和参数
requirements.txt:程序依赖的第三方库
README.md:提供程序的必要说明
加载数据
Dataset提供数据集的封装,再使用Dataloader实现数据并行加载。写一个class继承Dataset。对于训练集,我们希望做一些数据增强处理,如随机裁剪、随机翻转、加噪声等,而验证集和测试集则不需要。将文件读取等费时操作放在__getitem__函数中,利用多进程加速。避免一次性将所有图片都读进内存,不仅费时也会占用较大内存,而且不易进行数据增强等操作。
import os
from PIL import Image
from torch.utils import data
import numpy as np
from torchvision import transforms as T
class DogCat(data.Dataset):
def __init__(self, root, transforms=None, train=True, test=False):
"""目标:获取所有图片地址,并根据训练、验证、测试划分数据"""
self.test = test
imgs = [os.path.join(root, img) for img in os.listdir(root)]
# test1: data/test1/8973.jpg
# train: data/train/cat.10004.jpg
if self.test:
imgs = sorted(imgs, key=lambda x: int(x.split('.')[-2].split('/')[-1]))
else:
imgs = sorted(imgs, key=lambda x: int(x.split('.')[-2]))
imgs_num = len(imgs)
# 划分训练、验证集,验证:训练 = 3:7
if self.test:
self.imgs = imgs
elif train:
self.imgs = imgs[:int(0.7*imgs_num)]
else :
self.imgs = imgs[int(0.7*imgs_num):]
if transforms is None:
# 数据转换操作,测试验证和训练的数据转换有所区别
normalize = T.Normalize(mean = [0.485, 0.456, 0.406],
std = [0.229, 0.224, 0.225])
# 测试集和验证集
if self.test or not train:
self.transforms = T.Compose([
T.Resize(224),
T.CenterCrop(224),
T.ToTensor(),
normalize
])
# 训练集
else :
self.transforms = T.Compose([
T.Resize(256),
T.RandomReSizedCrop(224),
T.RandomHorizontalFlip(),
T.ToTensor(),
normalize
])
def __getitem__(self, index):
"""返回一张图片的数据对于测试集,没有label,返回图片id,如1000.jpg返回1000"""
img_path = self.imgs[index]
if self.test:
label = int(self.imgs[index].split('.')[-2].split('/')[-1])
else:
label = 1 if 'dog' in img_path.split('/')[-1] else 0
data = Image.open(img_path)
data = self.transforms(data)
return data, label
def __len__(self):
"""返回数据集中所有图片的个数"""
return len(self.imgs)
使用
train_dataset = DogCat(opt.train_data_root, train=True)
trainloader = DataLoader(train_dataset,
batch_size = opt.batch_size,
shuffle = True,
num_workers = opt.num_workers)
for ii, (data, label) in enumerate(trainloader):
train()
utils文件夹:一些helper方法比如本例的可视化工具visdom的一些操作
import visdom
import time
import numpy as np
class Visualizer(object):
"""封装了visdom的基本操作,但是你仍然可以通过`self.vis.function`或者`self.function`调用原生的visdom接口比如self.text('hello visdom')self.histogram(t.randn(1000))self.line(t.arange(0, 10),t.arange(1, 11))"""
def __init__(self, env='default', **kwargs):
self.vis = visdom.Visdom(env=env, **kwargs)
# 画的第几个数,相当于横坐标
# 保存(’loss',23) 即loss的第23个点
self.index = {}
self.log_text = ''
def reinit(self, env='default', **kwargs):
"""修改visdom的配置"""
self.vis = visdom.Visdom(env=env, **kwargs)
return self
def plot_many(self, d):
"""一次plot多个@params d: dict (name, value) i.e. ('loss', 0.11)"""
for k, v in d.items():
self.plot(k, v)
def img_many(self, d):
for k, v in d.items():
self.img(k, v)
def plot(self, name, y, **kwargs):
"""self.plot('loss', 1.00)"""
x = self.index.get(name, 0)
self.vis.line(Y=np.array([y]), X=np.array([x]),
win=name,
opts=dict(title=name),
update=None if x == 0 else 'append',
**kwargs
)
self.index[name] = x + 1
def img(self, name, img_, **kwargs):
"""self.img('input_img', t.Tensor(64, 64))self.img('input_imgs', t.Tensor(3, 64, 64))self.img('input_imgs', t.Tensor(100, 1, 64, 64))self.img('input_imgs', t.Tensor(100, 3, 64, 64), nrows=10)!!! don't ~~self.img('input_imgs', t.Tensor(100, 64, 64), nrows=10)~~ !!!"""
self.vis.images(img_.cpu().numpy(),
win=name,
opts=dict(title=name),
**kwargs
)
def log(self, info, win='log_text'):
"""self.log({'loss':1, 'lr':0.0001})"""
self.log_text += ('[{time}]{info}
'.format(
time=time.strftime('%m%d_%H%M%S'),\
info=info))
self.vis.text(self.log_text, win)
def __getattr__(self, name):
"""自定义的plot,image,log,plot_many等除外self.function 等价于self.vis.function"""
return getattr(self.vis, name)
定义一些变量并给出默认值,可更新
class DefaultConfig(object):
env = 'default' # visdom 环境
model = 'AlexNet' # 使用的模型,名字必须与models/__init__.py中的名字一致
train_data_root = './data/train/' # 训练集存放路径
test_data_root = './data/test1' # 测试集存放路径
load_model_path = 'checkpoints/model.pth' # 加载预训练的模型的路径,为None代表不加载
batch_size = 128 # batch size
use_gpu = True # use GPU or not
num_workers = 4 # how many workers for loading data
print_freq = 20 # print info every N batch
debug_file = '/tmp/debug' # if os.path.exists(debug_file): enter ipdb
result_file = 'result.csv'
max_epoch = 10
lr = 0.1 # initial learning rate
lr_decay = 0.95 # when val_loss increase, lr = lr*lr_decay
weight_decay = 1e-4 # 损失函数
def parse(self, kwargs):
"""根据字典kwargs 更新 config参数"""
# 更新配置参数
for k, v in kwargs.items():
if not hasattr(self, k):
# 警告还是报错,取决于你个人的喜好
warnings.warn("Warning: opt has not attribut%s" %k)
setattr(self, k, v)
# 打印配置信息
print('user config:')
for k, v in self.__class__.__dict__.items():
if not k.startswith('__'):
print(k, getattr(self, k))opt = DefaultConfig()
new_config = {'lr':0.1,'use_gpu':False}
opt.parse(new_config)
结果:
user config:
env default
model AlexNet
train_data_root ./data/train/
test_data_root ./data/test1
load_model_path checkpoints/model.pth
batch_size 128
use_gpu False
num_workers 4
print_freq 20
debug_file /tmp/debug
result_file result.csv
max_epoch 10
lr 0.1
lr_decay 0.95
weight_decay 0.0001
parse >
requirements.txt
fire
numpy
torchvision
visdom
使用:
pip install -r requirements.txt
__init__.py
几乎每个文件夹下都有__init__.py,一个目录如果包含了__init__.py 文件,那么它就变成了一个包(package)。__init__.py可以为空,也可以定义包的属性和方法,但其必须存在,其它程序才能从这个目录中导入相应的模块或函数。例如在data/文件夹下有__init__.py,则在main.py 中就可以from data.dataset import DogCat。而如果在__init__.py中写入from .dataset import DogCat,则在main.py中就可以直接写为:from data import DogCat,或者import data; dataset = data.DogCat,相比于from data.dataset import DogCat更加便捷。
模型定义:models文件夹
BasicModule是对nn.Module的简易封装,提供快速加载和保存模型的接口。自定义模型一般继承BasicModule,然后实现自己的模型。
#__init__.py
from .AlexNet import AlexNet
from .ResNet34 import ResNet34
主函数就可以from models import AlexNet
在主程序main.py中,主要包含四个函数,其中三个需要命令行执行,main.py的代码组织结构如下:
def train(**kwargs):
"""训练"""
pass
def val(model, dataloader):
"""计算模型在验证集上的准确率等信息,用以辅助训练"""
pass
def test(**kwargs):
"""测试(inference)"""
pass
def help():
"""打印帮助的信息"""
print('help')
if __name__=='__main__':
import fire
fire.Fire()
先讲一下Fire
import fire
def add(x, y):
return x + y
def mul(**kwargs):
a = kwargs['a']
b = kwargs['b']
return a * b
if __name__ == '__main__':
fire.Fire()python example.py add 1 2 # 执行add(1, 2)
python example.py mul --a=1 --b=2 # 执行mul(a=1, b=2), kwargs={'a':1, 'b':2}
python example.py add --x=1 --y==2 # 执行add(x=1, y=2)
python main.py --args=xx运行相关函数
训练
训练的主要步骤如下:定义网络
定义数据
定义损失函数和优化器
计算重要指标
开始训练训练网络
可视化各种指标
计算在验证集上的指标
def train(**kwargs):
# 根据命令行参数更新配置
opt.parse(kwargs)
vis = Visualizer(opt.env)
# step1: 模型
model = getattr(models, opt.model)()
if opt.load_model_path:
model.load(opt.load_model_path)
if opt.use_gpu: model.cuda()
# step2: 数据
train_data = DogCat(opt.train_data_root,train=True)
val_data = DogCat(opt.train_data_root,train=False)
train_dataloader = DataLoader(train_data,opt.batch_size,
shuffle=True,
num_workers=opt.num_workers)
val_dataloader = DataLoader(val_data,opt.batch_size,
shuffle=False,
num_workers=opt.num_workers)
# step3: 目标函数和优化器
criterion = t.nn.CrossEntropyLoss()
lr = opt.lr
optimizer = t.optim.Adam(model.parameters(),
lr = lr,
weight_decay = opt.weight_decay)
# step4: 统计指标:平滑处理之后的损失,还有混淆矩阵
loss_meter = meter.AverageValueMeter()
confusion_matrix = meter.ConfusionMeter(2)
previous_loss = 1e100
# 训练
for epoch in range(opt.max_epoch):
loss_meter.reset()
confusion_matrix.reset()
for ii,(data,label) in enumerate(train_dataloader):
# 训练模型参数
input = Variable(data)
target = Variable(label)
if opt.use_gpu:
input = input.cuda()
target = target.cuda()
optimizer.zero_grad()
score = model(input)
loss = criterion(score,target)
loss.backward()
optimizer.step()
# 更新统计指标以及可视化
loss_meter.add(loss.data[0])
confusion_matrix.add(score.data, target.data)
if ii%opt.print_freq==opt.print_freq-1:
vis.plot('loss', loss_meter.value()[0])
# 如果需要的话,进入debug模式
if os.path.exists(opt.debug_file):
import ipdb;
ipdb.set_trace()
model.save()
# 计算验证集上的指标及可视化
val_cm,val_accuracy = val(model,val_dataloader)
vis.plot('val_accuracy',val_accuracy)
vis.log("epoch:{epoch},lr:{lr},loss:{loss},train_cm:{train_cm},val_cm:{val_cm}"
.format(
epoch = epoch,
loss = loss_meter.value()[0],
val_cm = str(val_cm.value()),
train_cm=str(confusion_matrix.value()),
lr=lr))
# 如果损失不再下降,则降低学习率
if loss_meter.value()[0] > previous_loss:
lr = lr * opt.lr_decay
for param_group in optimizer.param_groups:
param_group['lr'] = lr
previous_loss = loss_meter.value()[0]
验证
验证和训练时BN、dropout等层会有差异,所以要调整模式,验证时model.eval(),验证完成model.train()
def val(model,dataloader):
"""计算模型在验证集上的准确率等信息"""
# 把模型设为验证模式
model.eval()
confusion_matrix = meter.ConfusionMeter(2)
for ii, data in enumerate(dataloader):
input, label = data
val_input = Variable(input, volatile=True)
val_label = Variable(label.long(), volatile=True)
if opt.use_gpu:
val_input = val_input.cuda()
val_label = val_label.cuda()
score = model(val_input)
confusion_matrix.add(score.data.squeeze(), label.long())
# 把模型恢复为训练模式
model.train()
cm_value = confusion_matrix.value()
accuracy = 100. * (cm_value[0][0] + cm_value[1][1]) /\
(cm_value.sum())
return confusion_matrix, accuracy
测试:测试的代码与验证比较相似,但需要自己加载模型和数据。
def test(**kwargs):
opt.parse(kwargs)
# 模型
model = getattr(models, opt.model)().eval()
if opt.load_model_path:
model.load(opt.load_model_path)
if opt.use_gpu: model.cuda()
# 数据
train_data = DogCat(opt.test_data_root,test=True)
test_dataloader = DataLoader(train_data,\
batch_size=opt.batch_size,\
shuffle=False,\
num_workers=opt.num_workers)
results = []
for ii,(data,path) in enumerate(test_dataloader):
input = t.autograd.Variable(data,volatile = True)
if opt.use_gpu: input = input.cuda()
score = model(input)
probability = t.nn.functional.softmax\
(score)[:,1].data.tolist()
batch_results = [(path_,probability_) \
for path_,probability_ in zip(path,probability) ]
results += batch_results
write_csv(results,opt.result_file)
return results
帮助函数:展示程序使用案例,其中inspect方法,可以自动获取config的源代码。
def help():
"""打印帮助的信息: python file.py help"""
print("""usage : python{0} [--args=value,] := train | test | helpexample:python{0}train --env='env0701' --lr=0.01python{0}test --dataset='path/to/dataset/root/'python{0}helpavaiable args:""".format(__file__))
from inspect import getsource
source = (getsource(opt.__class__))
print(source)执行python main.py help
usage : python main.py [--args=value,]
:= train | test | help
example:
python main.py train --env='env0701' --lr=0.01
python main.py test --dataset='path/to/dataset/'
python main.py help
avaiable args:
class DefaultConfig(object):
env = 'default' # visdom 环境
model = 'AlexNet' # 使用的模型
train_data_root = './data/train/' # 训练集存放路径
test_data_root = './data/test1' # 测试集存放路径
load_model_path = 'checkpoints/model.pth' # 加载预训练的模型
batch_size = 128 # batch size
use_gpu = True # user GPU or not
num_workers = 4 # how many workers for loading data
print_freq = 20 # print info every N batch
debug_file = '/tmp/debug'
result_file = 'result.csv' # 结果文件
max_epoch = 10
lr = 0.1 # initial learning rate
lr_decay = 0.95 # when val_loss increase, lr = lr*lr_decay
weight_decay = 1e-4 # 损失函数
根据example展示的案例可以这样使用程序
# 训练模型
python main.py train
--train-data-root=data/train/
--lr=0.005
--batch-size=32
--model='ResNet34'
--max-epoch = 20
# 测试模型
python main.py test
--test-data-root=data/test1
--load-model-path='checkpoints/resnet34_00:23:05.pth'
--batch-size=128
--model='ResNet34'
--num-workers=12
# 打印帮助信息
python main.py help
参考: