典型的训练过程
一个典型的训练过程可以概述为以下几个步骤
- 定义一个有着可学习的参数(或者权重)的神经网络
- 输入数据集
- 用神经网络对输入进行处理
- 计算代价值 (即对输出值的修正到底有多少),将梯度传播回神经网络的参数中
- 更新网络中的权重,通常使用简单的更新规则: weight = weight + learning_rate * gradient
1. 网络结构设置
1.1 定义网络结构
通常会定义一个继承自torch.nn.Module的Net类,在Net类中定义网络结构。
# VDSR Network
# 结构为input - residual - output
# 其中input为输入一通道,输出64通道的卷积层 + relu;output为输入64通道,输出一通道的卷积层;residual是18个卷积加Relu层
class Conv_ReLU_Block(nn.Module):
def __init__(self):
super(Conv_ReLU_Block, self).__init__()
self.conv = nn.Conv2d(in_channels=64, out_channels=64, kernel_size=3, stride=1, padding=1, bias=False)
self.relu = nn.ReLU(inplace=True)
def forward(self, x):
return self.relu(self.conv(x))
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.residual_layer = self.make_layer(Conv_ReLU_Block, 18)
self.input = nn.Conv2d(in_channels=1, out_channels=64, kernel_size=3, stride=1, padding=1, bias=False)
self.output = nn.Conv2d(in_channels=64, out_channels=1, kernel_size=3, stride=1, padding=1, bias=False)
self.relu = nn.ReLU(inplace=True)
for m in self.modules(): # modules()表示遍历所有层
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, sqrt(2. / n)) # 权重初始化
def make_layer(self, block, num_of_layer):
layers = []
for _ in range(num_of_layer):
layers.append(block())
return nn.Sequential(*layers)
def forward(self, x):
residual = x
out = self.relu(self.input(x))
out = self.residual_layer(out)
out = self.output(out)
out = torch.add(out, residual)
return out
可以简单的理解为在__init__定义各层信息,在forward方法中把网络中各层之间的结构说清楚(即输入是如何经过这个网络前向传播的)。
再看一个LeNet的定义过程
# LeNet结构 layer1 - layer2 - layer3
# layer1包括一个卷积+池化,layer2包括卷积+池化,layer3中有三个全连接层,nn.Linear表示全连接层
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
layer1 = nn.Sequential()
layer1.add_module('conv1', nn.Conv(1, 6, 3, padding=1))
layer1.add_moudle('pool1', nn.MaxPool2d(2, 2))
self.layer1 = layer1
layer2 = nn.Sequential()
layer2.add_module('conv2', nn.Conv(6, 16, 5))
layer2.add_moudle('pool2', nn.MaxPool2d(2, 2))
self.layer2 = layer2
layer3 = nn.Sequential()
layer3.add_module('fc1', nn.Linear(400, 120))
layer3.add_moudle('fc2', nn.Linear(120, 84))
layer3.add_moudle('fc3', nn.Linear(84, 10))
self.layer3 = layer3
def forward(self, x):
x = self.layer1(x)
x = self.layer2(x)
x = x.view(x.size(0), -1) # 相当于resize,其中-1参数表示该值通过前一个参数确定。这样做意思是结果转换为一维
x = self.layer3(x)
return x
参考:PyTorch之前向传播函数forward
x = x.view(x.size(0), -1) 的理解
1.2 权重初始化
对网络的初始化也是很关键的,好的初始化能有效避免梯度爆炸/消失等问题.
2. 数据集
2.0 参数处理
为了方便参数设置,通常在程序的开头会使用argparse对输入参数进行处理设置。argparse是python的命令行解析标准模块,是内置于python的,无需安装。
import argparse
# 创建一个argparser
parser = argparse.ArgumentParser(description="PyTorch VDSR")
# 添加默认参数 --表示可选参数 default设置默认参数 required=True表示必需参数
parser.add_argument("--batchSize", type=int, default=128, help="Training batch size")
parser.add_argument("--nEpochs", type=int, default=50, help="Number of epochs to train for")
# 解析参数
opt = parser.parse_args()
print(opt) # will print "Namespace(batchSize=128, clip=0.4, cuda=True, ......)"
# 使用参数
opt.batchSize
2.1 输入数据集
使用DataLoader完成数据加载
from torch.utils.data import DataLoader
train_set = DatasetFromHdf5("data/train.h5")
training_data_loader = DataLoader(dataset=train_set, num_workers=opt.threads, batch_size=opt.batchSize, shuffle=True)
可以看到,先从Hdf5格式读取到DataSet中,再把Dataset传递给DataLoader。DataLoader中num_worker表示启动多线程读取数据,shuffle置为True表示打乱顺序,batchSize表示单次批处理数量
关于pytorch的数据加载更多的可参考Pytorch数据读取(Dataset, DataLoader, DataLoaderIter)
2.1 典型数据集
针对不同的任务有不同的典型数据集,最近在看的视频插帧的数据集,目前用Vimeo90k、UCF101比较多
2.2 数据集的格式
2.3 通常到哪里寻找数据集?
3. 迭代训练
3.1 训练
# 训练要进行epoch次,下面代码中每次循环除了进行一次训练还保存了模型。
for epoch in range(opt.start_epoch, opt.nEpochs + 1):
train(training_data_loader, optimizer, model, criterion, epoch)
save_checkpoint(model, epoch)
def train(training_data_loader, optimizer, model, criterion, epoch):
# 训练语句
model.train()
# 这一段即分批次处理数据,
for iteration, batch in enumerate(training_data_loader, 1):
input, target = Variable(batch[0]), Variable(batch[1], requires_grad=False)
if opt.cuda:
input = input.cuda()
target = target.cuda()
# 计算Loss函数并反向传播
loss = criterion(model(input), target)
optimizer.zero_grad() # 清除梯度
loss.backward() # 反向传播
nn.utils.clip_grad_norm(model.parameters(), opt.clip) # 进行梯度裁剪
optimizer.step() # 步进优化器
if iteration % 100 == 0:
print("===> Epoch[{}]({}/{}): Loss: {:.10f}".format(epoch, iteration, len(training_data_loader),
loss.data[0]))
3.2 加速训练的方法
cuda加速大型矩阵运算
使用GPU
batch_size设置更大
检查速度受限是在计算阶段还是数据读取阶段还是其他原因
4. 测试
测试的流程:
1.加载测试数据集
2.加载模型
3.输入数据到模型得到输出
4.以某种指标来评价输出的质量