目录
1.基本内容
1.1.什么是fine-tuning?
在实践中,由于数据集不够大,很少有人从头开始训练网络。常见的做法是使用预训练的网络(例如在ImageNet上训练的分类1000类的网络)来重新fine-tuning(也叫微调),或者当做特征提取器。
以下是常见的两类迁移学习场景:
1) 卷积网络当做特征提取器。使用在ImageNet上预训练的网络,去掉最后的全连接层,剩余部分当做特征提取器(例如AlexNet在最后分类器前,是4096维的特征向量)。这样提取的特征叫做CNN codes。得到这样的特征后,可以使用线性分类器(Liner SVM、Softmax等)来分类图像。
2 )Fine-tuning卷积网络。替换掉网络的输入层(数据),使用新的数据继续训练。Fine-tune时可以选择fine-tune全部层或部分层。通常,前面的层提取的是图像的通用特征(generic features)(例如边缘检测,色彩检测),这些特征对许多任务都有用。后面的层提取的是与特定类别有关的特征,因此fine-tune时常常只需要Fine-tuning后面的层。
预训练模型
在ImageNet上训练一个网络,即使使用多GPU也要花费很长时间。因此人们通常共享他们预训练好的网络,这样有利于其他人再去使用。例如,Caffe有预训练好的网络地址Model Zoo。
1.2.何时使用Fine-tune、如何使用?
决定如何使用迁移学习的因素有很多,这是最重要的只有两个:新数据集的大小、以及新数据和原数据集的相似程度。 有一点一定记住:网络前几层学到的是通用特征,后面几层学到的是与类别相关的特征。这里有使用的四个场景:
1、新数据集比较小且和原数据集相似。因为新数据集比较小,如果fine-tune可能会过拟合;又因为新旧数据集类似,我们期望他们高层特征类似,可以使用预训练网络当做特征提取器,用提取的特征训练线性分类器。
2、新数据集大且和原数据集相似。因为新数据集足够大,可以fine-tune整个网络。
3、新数据集小且和原数据集不相似。新数据集小,最好不要fine-tune,和原数据集不类似,最好也不使用高层特征。这时可是使用前面层的特征来训练SVM分类器。
4、新数据集大且和原数据集不相似。因为新数据集足够大,可以重新训练。但是实践中fine-tune预训练模型还是有益的。新数据集足够大,可以fine-tine整个网络。
1.3 实践建议
预训练模型的限制。使用预训练模型,受限于其网络架构。例如,你不能随意从预训练模型取出卷积层。但是因为参数共享,可以输入任意大小图像;卷积层和池化层对输入数据大小没有要求(只要步长stride fit),其输出大小和属于大小相关;全连接层对输入大小没有要求,输出大小固定。
学习率。与重新训练相比,fine-tune要使用更小的学习率。因为训练好的网络模型权重已经平滑,我们不希望太快扭曲(distort)它们(尤其是当随机初始化线性分类器来分类预训练模型提取的特征时)。
2.基本过程
以下以resnet网络为例,详解如何构建分类网络模型:
1 选择pytorch中已有model和预训练weight的模型。
2 观察模型最后full connect layer or classifaction layer 情况(一般都是以imagenet比赛的weight,所以模型class num = 1000)
3 构建自己的fc层,修改成自己分类的数据
4 一般训练的时候,采用pretrained=True, 下载、并利用已有的已训练好的模型weight
5 可以先让backbone的部分不训练,只训练最后的top layer(fc 层).,先进行一个粗略的训练。
6 在保存了新训练的weight后,再降权重全部编程trainable。load新的权重进行,全部layer的训练,从而提高自己的准确率
3.pytorch提供哪些model
参见官网
对于分类模型来说,主要有以下几种:(pytorch=1.6.0)
注意:
1.pytorch 不同版本之间提供的内容可能不一样
2.resnet只是一个大类,里面还有resnet18, resnet34, resnet152等不同的小类,具体情况需要核对一下。
3.有一些比较新的model是暂时没有 pretrained weight的,例如MNASNet
4. 不同模型的检测效果、体积大小也是各不相同,需要均衡考虑的。
4.基本代码
1 查看一下resnet152网络的fc层情况
from torchvision import models
new_model = models.resnet152(pretrained=True)
print(new_model)
可以看到最后layer 是 fc layer, 并且 in_num = 2048, out_num=1000
我们为了让其更好的降维和训练你自己的分类,增加2个nn.Linear和1个drop,并替换到原来模型的fc layer。
2 详细代码
def model_define(fc_num=256, class_num=3, train_all =False):
new_model = models.resnet152(pretrained=True)
# 前面的backbone保持不变
for param in new_model.parameters():
param.requires_grad = False
# 只是修改输出fc层,新加层是trainable
fc_inputs = new_model.fc.in_features
new_model.fc = nn.Sequential(
nn.Linear(fc_inputs, fc_num),
nn.ReLU(),
nn.Dropout(0.4),
nn.Linear(fc_num, class_num)
)
# 修改所有参数层
if train_all:
for param in new_model.parameters():
param.requires_grad = True
torch.load("./models/best_loss.pt")
new_model = new_model.to(device)
print("[INFO] Model Layer: ", summary(new_model, (3, 224, 224)))
return new_model
修改class_num
等于你需要分类的数目就可以了。
另外,这边train_all=False
时候,只是训练fc layer, 并且保存权重为best_loss.pt
;
train_all=True
的时候,加载best_loss.pt
,并且放开所有layer进行训练,提高精读。