Pytorch迁移学习

在本教程中，您将学习如何使用迁移学习来训练您的网络。
您可以在cs231n便笺上读到更多关于迁移学习的内容，引用这些注释。
实际上，很少有人从零开始(随机初始化)训练整个卷积网络，因为拥有足够大的数据集相对较少。
相反，通常在一个非常大的数据集中对ConvNet进行预处理(例如，ImageNet，它包含120万张图像，包含1000个类别)，
然后使用ConvNet作为初始化或固定的特征提取器来完成感兴趣的任务。这两种主要的转移学习场景如下：
细化ConvNet：我们使用一个预先训练的网络初始化网络，比如在ImageNet 1000
数据集上接受培训的网络。其余的培训看起来像平时一样。固定特征提取器：在这里，
我们将冻结除最终完全连接层外的所有网络的权重。最后一个完全连接的层被替换为
一个新的具有随机权重的层，并且只训练这个层。

from __future__ import print_function, division
import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os
import copy

if __name__ == '__main__':
    plt.ion()   # interactive mode
    #加载数据我们将使用torchvision和torch.utils.data包来加载数据。我们今天要解决的问题是
    # 训练一个模型来对蚂蚁和蜜蜂进行分类。我们有大约120个蚂蚁和蜜蜂的训练图像。
    # 每个类有75个验证图像。通常，这是一个非常小的数据集，如果从抓痕中训练的话。
    # 因为我们使用的是传输。学习，我们应该能够合理地概括。这个数据集是ImageNet的一个很小的子集。

    # 数据增强和培训规范化
    # 只是验证的规范化
    data_transforms = {
        'train': transforms.Compose([
            transforms.RandomResizedCrop(224),
            transforms.RandomHorizontalFlip(),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ]),
        'val': transforms.Compose([
            transforms.Resize(256),
            transforms.CenterCrop(224),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ]),
    }

    data_dir = 'hymenoptera_data'
    image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x),
                                              data_transforms[x])
                      for x in ['train', 'val']}
    dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4,
                                                 shuffle=True, num_workers=4)
                  for x in ['train', 'val']}
    dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
    class_names = image_datasets['train'].classes

    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
    #可视化一些图像，让我们可视化一些培训图像，以便理解数据增强。
    def imshow(inp, title=None):
        """Imshow for Tensor."""
        inp = inp.numpy().transpose((1, 2, 0))
        mean = np.array([0.485, 0.456, 0.406])
        std = np.array([0.229, 0.224, 0.225])
        inp = std * inp + mean
        inp = np.clip(inp, 0, 1)
        plt.imshow(inp)
        if title is not None:
            plt.title(title)
        plt.pause(0.001)  # 暂停一下，以便更新情节。


    # 获取一批培训数据
    inputs, classes = next(iter(dataloaders['train']))

    # 从批处理中生成网格
    out = torchvision.utils.make_grid(inputs)

    imshow(out, title=[class_names[x] for x in classes])
    plt.waitforbuttonpress(0)
    #现在训练模型，让我们编写一个通用的函数来训练模型。在这里，我们将说明：
    # 调度学习率保存了下面的最佳模型，参数调度器是torch.Optim.lr_调度器中的LR调度器对象。
    def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
        since = time.time()

        best_model_wts = copy.deepcopy(model.state_dict())
        best_acc = 0.0

        for epoch in range(num_epochs):
            print('Epoch {}/{}'.format(epoch, num_epochs - 1))
            print('-' * 10)

            # 每个时代都有一个培训和验证阶段。
            for phase in ['train', 'val']:
                if phase == 'train':
                    scheduler.step()
                    model.train()  # 将模型设置为训练模式
                else:
                    model.eval()  # 设定评估模式

                running_loss = 0.0
                running_corrects = 0

                # 迭代数据。
                for inputs, labels in dataloaders[phase]:
                    inputs = inputs.to(device)
                    labels = labels.to(device)

                    # 参数梯度为零
                    optimizer.zero_grad()

                    # forward
                    # 如果只在火车上跟踪历史
                    with torch.set_grad_enabled(phase == 'train'):
                        outputs = model(inputs)
                        _, preds = torch.max(outputs, 1)
                        loss = criterion(outputs, labels)

                        # 只有在训练阶段才能向后优化
                        if phase == 'train':
                            loss.backward()
                            optimizer.step()

                    # 统计
                    running_loss += loss.item() * inputs.size(0)
                    running_corrects += torch.sum(preds == labels.data)

                epoch_loss = running_loss / dataset_sizes[phase]
                epoch_acc = running_corrects.double() / dataset_sizes[phase]

                print('{} Loss: {:.4f} Acc: {:.4f}'.format(
                    phase, epoch_loss, epoch_acc))

                # deep copy the model
                if phase == 'val' and epoch_acc > best_acc:
                    best_acc = epoch_acc
                    best_model_wts = copy.deepcopy(model.state_dict())

            print()

        time_elapsed = time.time() - since
        print('Training complete in {:.0f}m {:.0f}s'.format(
            time_elapsed // 60, time_elapsed % 60))
        print('Best val Acc: {:4f}'.format(best_acc))

        # load best model weights
        model.load_state_dict(best_model_wts)
        return model
    # 可视化模型预测泛型函数以显示一些图像的预测
    def visualize_model(model, num_images=6):
        was_training = model.training
        model.eval()
        images_so_far = 0
        fig = plt.figure()

        with torch.no_grad():
            for i, (inputs, labels) in enumerate(dataloaders['val']):
                inputs = inputs.to(device)
                labels = labels.to(device)

                outputs = model(inputs)
                _, preds = torch.max(outputs, 1)

                for j in range(inputs.size()[0]):
                    images_so_far += 1
                    ax = plt.subplot(num_images // 2, 2, images_so_far)
                    ax.axis('off')
                    ax.set_title('predicted: {}'.format(class_names[preds[j]]))
                    imshow(inputs.cpu().data[j])

                    if images_so_far == num_images:
                        model.train(mode=was_training)
                        return
            model.train(mode=was_training)
    #FinetuningConvNet加载一个预先训练的模型并重置最终完全连接的层。
    model_ft = models.resnet18(pretrained=True)
    num_ftrs = model_ft.fc.in_features
    model_ft.fc = nn.Linear(num_ftrs, 2)

    model_ft = model_ft.to(device)

    criterion = nn.CrossEntropyLoss()

    # 注意到所有参数都在优化。
    optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)

    # 每7个周期衰减0.1倍
    exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
    #在GPU上训练和评估它应该需要15-25分钟，但是它只需要不到一分钟
    model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
                           num_epochs=25)
    visualize_model(model_ft)
    #ConvNet作为固定的特征提取器，我们需要冻结除最后一层之外的所有网络。
    # 我们需要设置Required_grad=false来冻结参数，这样梯度就不会用反向()计算。
    # 您可以在这里的文档中读到更多关于这一点的内容。
    model_conv = torchvision.models.resnet18(pretrained=True)
    for param in model_conv.parameters():
        param.requires_grad = False

    # Parameters of newly constructed modules have requires_grad=True by default
    num_ftrs = model_conv.fc.in_features
    model_conv.fc = nn.Linear(num_ftrs, 2)

    model_conv = model_conv.to(device)

    criterion = nn.CrossEntropyLoss()

    # Observe that only parameters of final layer are being optimized as
    # opoosed to before.
    optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)

    # Decay LR by a factor of 0.1 every 7 epochs
    exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
    #在CPU上进行训练和评估将花费大约一半的时间，这是因为对于大多数网络来说，不需要计算渐变。然而，前进确实需要计算。
    model_conv = train_model(model_conv, criterion, optimizer_conv,
                             exp_lr_scheduler, num_epochs=25)
    visualize_model(model_conv)

    plt.ioff()
    plt.show()
    plt.waitforbuttonpress(0)