pytorch——torchvision预训练模型与数据集全览

torchvision预训练模型与数据集全览

torchvision

官网介绍： The torchvision package consists of popular datasets, model architectures, and common image transformations for computer vision.（torchvision包由流行的数据集、模型体系结构和通用的计算机视觉图像转换组成。简单地说就是常用数据集+常见模型+常见图像增强方法）
这个torchvision中主要包含的包：

• torchvision.datasets
• torchvision.models
• torchvision.transforms

torchvision.datssets

包含的数据集：

官方说明了：All the datasets have almost similar API. They all have two common arguments: transform and target_transform to transform the input and target respectively.（每一个数据集的API都是基本相同的。他们都有两个相同的参数：transform和target_transform(后面细讲)）

我们就用最经典最简单的MNIST手写数字数据集作为例子，先看这个的API：

包含5个参数：

• root：就是你想要保存MNIST数据集的位置，如果download是Flase的话，则会从目标位置读取数据集；
• download：True的话就会自动从网上下载这个数据集，到root的位置；
• train：True的话，数据集下载的是训练数据集；False的话则下载测试数据集（真方便，都不用自己划分了）
• transform：这个是对图像进行处理的transform，比方说旋转平移缩放，输入的是PIL格式的图像（不是tensor矩阵）
• target_transform：这个是对图像标签进行处理的函数（这个我没用过不太确定，也许是做标签平滑那种的处理？）

【下面用代码进一步理解】

import torchvision
mydataset = torchvision.datasets.MNIST(root='./',
                                      train=True,
                                      transform=None,
                                      target_transform=None,
                                      download=True)

运行结果：


之后我们需要用到上一节课讲到的dataloader的内容：

from torch.utils.data import Dataset,DataLoader
myloader = DataLoader(dataset=mydataset,
                     batch_size=16)
for i,(data,label) in enumerate(myloader):
    print(data.shape)
    print(label.shape)
    break

这时会抛出一个错误：

大致看一看，就是pytorch的这个dataloader不是可以把数据集分成batch嘛，这个dataloder只能把tensor或者numpy这样的组合成batch，而现在的数据集的格式是PIL格式。这里验证了之前说到的，transform这个输入是PIL格式的图片，解决方法是：transform不能是None，我们需要将PIL转化成tensor才可以
所以我们把上面的transform稍作修改：

在这里插入代码片mydataset = torchvision.datasets.MNIST(root='./',
                                      train=True,        
                                      transform=torchvision.transforms.ToTensor(),
                                      target_transform=None,
                                      download=True)

运行结果：

结果中，16表示一个batch有16个样本，1表示这是单通道的灰度图片，28表示MNIST数据集图片是的大小，然后每一个图片有一个label。
想要获取其他的数据集也是一样的，不过这里就用MNIST作为举例，其他的相同。

torchvision.models

预训练模型中torchvision提供了很多种，大体分成下面四类：

分别是分类模型，语义模型，目标检测模型和视频分类模型。这里呢因为分类模型比较常见也比较基础，就主要介绍这个好啦。
在torch1.6.0版本中(应该是比较近的版本)，主要包含下面的预训练模型：

构建模型可以通过下面的代码：

import torchvision.models as models
resnet18 = models.resnet18()
alexnet = models.alexnet()
vgg16 = models.vgg16()
squeezenet = models.squeezenet1_0()
densenet = models.densenet161()
inception = models.inception_v3()
googlenet = models.googlenet()
shufflenet = models.shufflenet_v2_x1_0()
mobilenet = models.mobilenet_v2()
resnext50_32x4d = models.resnext50_32x4d()
wide_resnet50_2 = models.wide_resnet50_2()
mnasnet = models.mnasnet1_0()

这样构建的模型的权重值是随机的，只有结构是保存的。想要获取预训练的模型，则需要设置参数pretrained:

import torchvision.models as models
resnet18 = models.resnet18(pretrained=True)
alexnet = models.alexnet(pretrained=True)
squeezenet = models.squeezenet1_0(pretrained=True)
vgg16 = models.vgg16(pretrained=True)
densenet = models.densenet161(pretrained=True)
inception = models.inception_v3(pretrained=True)
googlenet = models.googlenet(pretrained=True)
shufflenet = models.shufflenet_v2_x1_0(pretrained=True)
mobilenet = models.mobilenet_v2(pretrained=True)
resnext50_32x4d = models.resnext50_32x4d(pretrained=True)
wide_resnet50_2 = models.wide_resnet50_2(pretrained=True)
mnasnet = models.mnasnet1_0(pretrained=True)

似乎这些模型的预训练数据集都是ImageNet的那个数据集，输入图片都是3通道的，并且要求输入图片的宽高不小于224像素，并且要求输入图片像素值的范围在0到1之间，然后做一个normalization标准化。
不知道各位在看一些案例的时候，有没有看到这个标准化：mean = [0.485, 0.456, 0.406] 和 std = [0.229, 0.224, 0.225]，这个应该是ImageNet的图片的标准化的参数。

模型比较

最后呢，torchvision官方提供了一个不同模型在Imagenet 1-crop 的一个错误率的比较。可以一起来看看到底哪个模型比较好使。这里我放了一些常见的模型。像是Wide ResNet这种变种我就不放了。

整体来看，还是Resnet残差网络效果好。不过EfficientNet效果更好。