前言
本系列教程中,前面介绍的都没有保存模型,训练之后也就结束了。那么本章就介绍如果在训练过程中保存模型,用于之后预测或者恢复训练,又或者由于其他数据集的预训练模型。本章会介绍三种保存模型和使用模型的方式。
训练模型
在训练模型的过程中我们可以随时保存模型,当时也可以在训练开始之前加载之前训练过程的模型。为了介绍这三个保存模型的方式,一共编写了三个Python程序进行介绍,分别是save_infer_model.py
、 save_use_params_model.py
、save_use_persistables_model.py
。
导入相关的依赖库
import os
import shutil
import paddle as paddle
import paddle.dataset.cifar as cifar
import paddle.fluid as fluid
定义一个残差神经网络,这个是目前比较常用的一个网络。该神经模型可以通过增加网络的深度达到提高识别率,而不会像其他过去的神经模型那样,当网络继续加深时,反而会损失精度。
# 定义残差神经网络(ResNet)
def resnet_cifar10(ipt, class_dim):
def conv_bn_layer(input,
ch_out,
filter_size,
stride,
padding,
act='relu',
bias_attr=False):
tmp = fluid.layers.conv2d(
input=input,
filter_size=filter_size,
num_filters=ch_out,
stride=stride,
padding=padding,
bias_attr=bias_attr)
return fluid.layers.batch_norm(input=tmp, act=act)
def shortcut(input, ch_in, ch_out, stride):
if ch_in != ch_out:
return conv_bn_layer(input, ch_out, 1, stride, 0, None)
else:
return input
def basicblock(input, ch_in, ch_out, stride):
tmp = conv_bn_layer(input, ch_out, 3, stride, 1)
tmp = conv_bn_layer(tmp, ch_out, 3, 1, 1, act=None, bias_attr=True)
short = shortcut(input, ch_in, ch_out, stride)
return fluid.layers.elementwise_add(x=tmp, y=short, act='relu')
# 残差块
def layer_warp(block_func, input, ch_in, ch_out, count, stride):
tmp = block_func(input, ch_in, ch_out, stride)
for i in range(1, count):
tmp = block_func(tmp, ch_out, ch_out, 1)
return tmp
conv1 = conv_bn_layer(ipt, ch_out=16, filter_size=3, stride=1, padding=1)
res1 = layer_warp(basicblock, conv1, 16, 16, 5, 1)
res2 = layer_warp(basicblock, res1, 16, 32, 5, 2)
res3 = layer_warp(basicblock, res2, 32, 64, 5, 2)
pool = fluid.layers.pool2d(input=res3, pool_size=8, pool_type='avg', pool_stride=1)
predict = fluid.layers.fc(input=pool, size=class_dim, act='softmax')
return predict
定义输出成,这里使用的数据集是cifar数据集,这个数据集的图片是宽高都为32的3通道图片,所以这里定义的图片输入层的shape是[3, 32, 32]
。
# 定义输入层
image = fluid.layers.data(name='image', shape=[3, 32, 32], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
获取残差神经网络的分类器,并指定分类大小是10,因为这个数据集有10个类别。
# 获取分类器
model = resnet_cifar10(image, 10)
获取交叉熵损失函数和平均准确率,模型获取的准确率是Top1的。
# 获取损失函数和准确率函数
cost = fluid.layers.cross_entropy(input=model, label=label)
avg_cost = fluid.layers.mean(cost)
acc = fluid.layers.accuracy(input=model, label=label)
获取测试程序,用于之后的测试使。
# 获取训练和测试程序
test_program = fluid.default_main_program().clone(for_test=True)
定义优化方法。
# 定义优化方法
optimizer = fluid.optimizer.AdamOptimizer(learning_rate=1e-3)
opts = optimizer.minimize(avg_cost)
获取训练和测试数据,使用的是cifar数据集,cifar数据集有两种,一种是100个类别的,一种是10个类别的,这里使用的是10个类别的。
# 获取CIFART数据
train_reader = paddle.batch(cifar.train10(), batch_size=32)
test_reader = paddle.batch(cifar.test10(), batch_size=32)
创建执行器,因为我们使用的网络是一个比较大的网络,而且图片也比之前的灰度图要大很多。之前的MNIST数据集的每张图片大小784,而现在的是3072。当然主要是网络比之前的要大很多很多,如果使用CPU训练,速度是非常慢的,所以最好使用GPU进行训练。
# 创建执行器,最好使用GPU,CPU速度太慢了
# place = fluid.CPUPlace()
place = fluid.CUDAPlace(0)
exe = fluid.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())
加载模型
创建执行器之后,就可以加载之前训练的模型了,有两种加载模型的方式,对应着两种保存模型的方式。这两种模型,可以只使用一种就可以。
save_use_params_model.py
加载之前训练保存的参数模型,对应的保存接口是fluid.io.save_params
。使用这些模型参数初始化网络参数,进行训练
# 加载之前训练过的参数模型
save_path = 'models/params_model/'
if os.path.exists(save_path):
print('使用参数模型作为预训练模型')
fluid.io.load_params(executor=exe, dirname=save_path)
save_use_persistables_model.py
加载之前训练保存的持久化变量模型,对应的保存接口是fluid.io.save_persistables
。使用这些模型参数初始化网络参数,进行训练。
# 加载之前训练过的检查点模型
save_path = 'models/persistables_model/'
if os.path.exists(save_path):
print('使用持久化变量模型作为预训练模型')
fluid.io.load_persistables(executor=exe, dirname=save_path)
开始训练模型。
# 定义输入数据维度
feeder = fluid.DataFeeder(place=place, feed_list=[image, label])
for pass_id in range(10):
# 进行训练
for batch_id, data in enumerate(train_reader()):
train_cost, train_acc = exe.run(program=fluid.default_main_program(),
feed=feeder.feed(data),
fetch_list=[avg_cost, acc])
# 每100个batch打印一次信息
if batch_id % 100 == 0:
print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %
(pass_id, batch_id, train_cost[0], train_acc[0]))
# 进行测试
test_accs = []
test_costs = []
for batch_id, data in enumerate(test_reader()):
test_cost, test_acc = exe.run(program=test_program,
feed=feeder.feed(data),
fetch_list=[avg_cost, acc])
test_accs.append(test_acc[0])
test_costs.append(test_cost[0])
# 求测试结果的平均值
test_cost = (sum(test_costs) / len(test_costs))
test_acc = (sum(test_accs) / len(test_accs))
print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc))
没有加载之前保存的模型
Pass:0, Batch:0, Cost:2.73460, Accuracy:0.03125
Pass:0, Batch:100, Cost:1.93663, Accuracy:0.25000
Pass:0, Batch:200, Cost:2.02943, Accuracy:0.12500
Pass:0, Batch:300, Cost:1.94425, Accuracy:0.25000
Pass:0, Batch:400, Cost:1.87802, Accuracy:0.21875
Pass:0, Batch:500, Cost:1.71312, Accuracy:0.25000
Pass:0, Batch:600, Cost:1.94090, Accuracy:0.18750
Pass:0, Batch:700, Cost:2.08904, Accuracy:0.12500
Pass:0, Batch:800, Cost:1.89128, Accuracy:0.12500
Pass:0, Batch:900, Cost:1.95716, Accuracy:0.21875
Pass:0, Batch:1000, Cost:1.65181, Accuracy:0.34375
使用参数模型作为预训练模型训练时输出的信息:
使用参数模型作为预训练模型
Pass:0, Batch:0, Cost:0.27627, Accuracy:0.90625
Pass:0, Batch:100, Cost:0.40026, Accuracy:0.87500
Pass:0, Batch:200, Cost:0.54928, Accuracy:0.78125
Pass:0, Batch:300, Cost:0.56526, Accuracy:0.84375
Pass:0, Batch:400, Cost:0.53501, Accuracy:0.78125
Pass:0, Batch:500, Cost:0.18596, Accuracy:0.93750
Pass:0, Batch:600, Cost:0.23747, Accuracy:0.96875
Pass:0, Batch:700, Cost:0.45520, Accuracy:0.84375
Pass:0, Batch:800, Cost:0.86205, Accuracy:0.71875
Pass:0, Batch:900, Cost:0.36981, Accuracy:0.87500
Pass:0, Batch:1000, Cost:0.37483, Accuracy:0.81250
持久性变量模型作为预训练模型训练时输出的信息:
使用持久性变量模型作为预训练模型
Pass:0, Batch:0, Cost:0.51357, Accuracy:0.81250
Pass:0, Batch:100, Cost:0.64380, Accuracy:0.78125
Pass:0, Batch:200, Cost:0.69049, Accuracy:0.62500
Pass:0, Batch:300, Cost:0.52201, Accuracy:0.87500
Pass:0, Batch:400, Cost:0.47289, Accuracy:0.81250
Pass:0, Batch:500, Cost:0.15821, Accuracy:1.00000
Pass:0, Batch:600, Cost:0.36470, Accuracy:0.87500
Pass:0, Batch:700, Cost:0.25326, Accuracy:0.90625
Pass:0, Batch:800, Cost:0.92556, Accuracy:0.78125
Pass:0, Batch:900, Cost:0.27470, Accuracy:0.93750
Pass:0, Batch:1000, Cost:0.34562, Accuracy:0.87500
保存模型
训练结束之后,就可以进行保存模型。当然也不一样要全部训练结束才保存模型,我们可以在每一个Pass训练结束之后保存一次模型。这里使用三个程序分别保存,当然也可以一次全部保存。
save_infer_model.py
保存预测模型,之后用于预测图像。通过使用这个方式保存的模型,之后预测是非常方便的,具体可以阅读预测部分。
# 保存预测模型
save_path = 'models/infer_model/'
# 删除旧的模型文件
shutil.rmtree(save_path, ignore_errors=True)
# 创建保持模型文件目录
os.makedirs(save_path)
# 保存预测模型
fluid.io.save_inference_model(save_path, feeded_var_names=[image.name], target_vars=[model], executor=exe)
save_use_params_model.py
保存参数模型,之后用于初始化模型,进行训练。
# 保存参数模型
save_path = 'models/params_model/'
# 删除旧的模型文件
shutil.rmtree(save_path, ignore_errors=True)
# 创建保持模型文件目录
os.makedirs(save_path)
# 保存参数模型
fluid.io.save_params(executor=exe, dirname=save_path)
save_use_persistables_model.py
保存持久化变量模型,之后用于初始化模型,进行训练。
# 保存持久化变量模型
save_path = 'models/persistables_model/'
# 删除旧的模型文件
shutil.rmtree(save_path, ignore_errors=True)
# 创建保持模型文件目录
os.makedirs(save_path)
# 保存持久化变量模型
fluid.io.save_persistables(executor=exe, dirname=save_path)
预测
在训练的时候使用fluid.io.save_inference_model
接口保存的模型,可以通过以下use_infer_model.py
程序预测,通过这个程序,读者会发现通过这个接口保存的模型,再次预测是非常简单的。
导入相关的依赖库
import paddle.fluid as fluid
from PIL import Image
import numpy as np
创建一个执行器,预测图片可以使用CPU执行,这个速度不会太慢。
# 创建执行器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
加载模型,这个是整个预测程序的重点,通过加载预测模型我们就可以轻松获取得到一个预测程序,输出参数的名称,以及分类器的输出。
# 保存预测模型路径
save_path = 'models/infer_model/'
# 从模型中获取预测程序、输入数据名称列表、分类器
[infer_program, feeded_var_names, target_var] = fluid.io.load_inference_model(dirname=save_path, executor=exe)
定义一个图像预处理的函数,这个函数可以统一图像大小,修改图像的存储顺序和图片的通道顺序,转换成numpy数据。
# 预处理图片
def load_image(file):
im = Image.open(file)
im = im.resize((32, 32), Image.ANTIALIAS)
im = np.array(im).astype(np.float32)
# PIL打开图片存储顺序为H(高度),W(宽度),C(通道)。
# PaddlePaddle要求数据顺序为CHW,所以需要转换顺序。
im = im.transpose((2, 0, 1))
# CIFAR训练图片通道顺序为B(蓝),G(绿),R(红),
# 而PIL打开图片默认通道顺序为RGB,因为需要交换通道。
im = im[(2, 1, 0), :, :] # BGR
im = im / 255.0
im = np.expand_dims(im, axis=0)
return im
获取数据并进行预测。这里对比之前的预测方式,不需要再输入一个模拟的标签,因为在保存模型的时候,已经对这部分进行修剪,去掉了这部分不必要的输入。
# 获取图片数据
img = load_image('image/cat.png')
# 执行预测
result = exe.run(program=infer_program,
feed={feeded_var_names[0]: img},
fetch_list=target_var)
执行预测之后,得到一个数组,这个数组是表示每个类别的概率,获取最大概率的标签,并根据标签获取获取该类的名称。
# 显示图片并输出结果最大的label
lab = np.argsort(result)[0][0][-1]
names = ['飞机', '汽车', '鸟', '猫', '鹿', '狗', '青蛙', '马', '船', '卡车']
print('预测结果标签为:%d, 名称为:%s, 概率为:%f' % (lab, names[lab], result[0][0][lab]))
预测输出结果:
预测结果标签为:3, 名称为:猫, 概率为:0.864919
关于模型的保存和使用就介绍到这里,读者可以使用这个方式保存之前学过的模型。在这个基础上,下一章我们介绍如何使用预训练模型。