Tutorial de aprendizagem de transferência PyTorch com exemplos
Evelyn Clarke
O que é Aprendizagem por Transferência?
Aprendizagem por transferência é uma técnica de usar um modelo treinado para resolver outra tarefa relacionada. É um método de pesquisa de Aprendizado de Máquina que armazena o conhecimento adquirido ao resolver um problema específico e usa o mesmo conhecimento para resolver outro problema diferente, mas relacionado. Isso melhora a eficiência ao reutilizar as informações coletadas na tarefa aprendida anteriormente.
É comum usar outro peso de modelo de rede para reduzir o tempo de treinamento porque você precisa de muitos dados para treinar um modelo de rede. Para reduzir o tempo de treinamento, usamos outras redes e seu peso e modificamos a última camada para resolver nosso problema. A vantagem é que você pode usar um pequeno conjunto de dados para treinar a última camada.
A seguir neste tutorial de aprendizado do PyTorch Transfer, aprenderemos como usar o Transfer Learning com PyTorch.
Carregando conjunto de dados
Fonte: Alien vs. Predador Kaggle
Antes de começar a usar o Transfer Learning PyTorch, você precisa entender o conjunto de dados que usará. Neste exemplo do Transfer Learning PyTorch, você classificará um Alien e um Predator a partir de quase 700 imagens. Para esta técnica, você realmente não precisa de uma grande quantidade de dados para treinar. Você pode baixar o conjunto de dados em Kaggle: Alienígena vs. Predador.
Como usar a aprendizagem por transferência?
Aqui está um processo passo a passo sobre como usar o Transfer Learning para Deep Learning com PyTorch:
Etapa 1) Carregar os dados
O primeiro passo é carregar nossos dados e fazer algumas transformações nas imagens para que correspondam aos requisitos da rede.
Você carregará os dados de uma pasta com torchvision.dataset. O módulo irá iterar na pasta para dividir os dados para treinamento e validação. O processo de transformação irá cortar as imagens do centro, realizar uma inversão horizontal, normalizar e, finalmente, convertê-las em tensor usando Deep Learning.
from __future__ import print_function, division
import os
import time
import torch
import torchvision
from torchvision import datasets, models, transforms
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
data_dir = "alien_pred"
input_shape = 224
mean = [0.5, 0.5, 0.5]
std = [0.5, 0.5, 0.5]
#data transformation
data_transforms = {
'train': transforms.Compose([
transforms.CenterCrop(input_shape),
transforms.ToTensor(),
transforms.Normalize(mean, std)
]),
'validation': transforms.Compose([
transforms.CenterCrop(input_shape),
transforms.ToTensor(),
transforms.Normalize(mean, std)
]),
}
image_datasets = {
x: datasets.ImageFolder(
os.path.join(data_dir, x),
transform=data_transforms[x]
)
for x in ['train', 'validation']
}
dataloaders = {
x: torch.utils.data.DataLoader(
image_datasets[x], batch_size=32,
shuffle=True, num_workers=4
)
for x in ['train', 'validation']
}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'validation']}
print(dataset_sizes)
class_names = image_datasets['train'].classes
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
Vamos visualizar nosso conjunto de dados para PyTorch Transfer Learning. O processo de visualização obterá o próximo lote de imagens dos carregadores de dados e rótulos do trem e o exibirá com matplot.
images, labels = next(iter(dataloaders['train'])) rows = 4 columns = 4 fig=plt.figure() for i in range(16): fig.add_subplot(rows, columns, i+1) plt.title(class_names[labels[i]]) img = images[i].numpy().transpose((1, 2, 0)) img = std * img + mean plt.imshow(img) plt.show()
Etapa 2) Definir modelo
Neste curso Deep Learning processo, você usará o ResNet18 do módulo torchvision.
Você usará torchvision.models para carregar resnet18 com o peso pré-treinado definido como True. Depois disso, você irá congelar as camadas para que elas não sejam treináveis. Você também modifica a última camada com uma camada Linear para atender às nossas necessidades, que são 2 classes. Você também usa CrossEntropyLoss para função de perda multiclasse e para o otimizador você usará SGD com a taxa de aprendizado de 0.0001 e um impulso de 0.9, conforme mostrado no exemplo de PyTorch Transfer Learning abaixo.
## Load the model based on VGG19 vgg_based = torchvision.models.vgg19(pretrained=True) ## freeze the layers for param in vgg_based.parameters(): param.requires_grad = False # Modify the last layer number_features = vgg_based.classifier[6].in_features features = list(vgg_based.classifier.children())[:-1] # Remove last layer features.extend([torch.nn.Linear(number_features, len(class_names))]) vgg_based.classifier = torch.nn.Sequential(*features) vgg_based = vgg_based.to(device) print(vgg_based) criterion = torch.nn.CrossEntropyLoss() optimizer_ft = optim.SGD(vgg_based.parameters(), lr=0.001, momentum=0.9)
A estrutura do modelo de saída
VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace) (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (6): ReLU(inplace) (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8): ReLU(inplace) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace) (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (13): ReLU(inplace) (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (15): ReLU(inplace) (16): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (17): ReLU(inplace) (18): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (19): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace) (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22): ReLU(inplace) (23): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (24): ReLU(inplace) (25): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (26): ReLU(inplace) (27): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29): ReLU(inplace) (30): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (31): ReLU(inplace) (32): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (33): ReLU(inplace) (34): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (35): ReLU(inplace) (36): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) ) (classifier): Sequential( (0): Linear(in_features=25088, out_features=4096, bias=True) (1): ReLU(inplace) (2): Dropout(p=0.5) (3): Linear(in_features=4096, out_features=4096, bias=True) (4): ReLU(inplace) (5): Dropout(p=0.5) (6): Linear(in_features=4096, out_features=2, bias=True) ) )
Etapa 3) Modelo de treinamento e teste
Usaremos algumas das funções do Transfer Learning Tutorial do PyTorch para nos ajudar a treinar e avaliar nosso modelo.
def train_model(model, criterion, optimizer, num_epochs=25):
since = time.time()
for epoch in range(num_epochs):
print('Epoch {}/{}'.format(epoch, num_epochs - 1))
print('-' * 10)
#set model to trainable
# model.train()
train_loss = 0
# Iterate over data.
for i, data in enumerate(dataloaders['train']):
inputs , labels = data
inputs = inputs.to(device)
labels = labels.to(device)
optimizer.zero_grad()
with torch.set_grad_enabled(True):
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
train_loss += loss.item() * inputs.size(0)
print('{} Loss: {:.4f}'.format(
'train', train_loss / dataset_sizes['train']))
time_elapsed = time.time() - since
print('Training complete in {:.0f}m {:.0f}s'.format(
time_elapsed // 60, time_elapsed % 60))
return model
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['validation']):
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: {} truth: {}'.format(class_names[preds[j]], class_names[labels[j]]))
img = inputs.cpu().data[j].numpy().transpose((1, 2, 0))
img = std * img + mean
ax.imshow(img)
if images_so_far == num_images:
model.train(mode=was_training)
return
model.train(mode=was_training)
Finalmente, neste exemplo de Transfer Learning em PyTorch, vamos iniciar nosso processo de treinamento com o número de épocas definido como 25 e avaliar após o processo de treinamento. Em cada etapa do treinamento, o modelo pegará a entrada e preverá a saída. Depois disso, a saída prevista será passada para o critério de cálculo das perdas. Em seguida as perdas realizarão um cálculo backprop para calcular o gradiente e por fim calcular os pesos e otimizar os parâmetros com autograd.
No modelo de visualização, a rede treinada será testada com um lote de imagens para previsão dos rótulos. Em seguida será visualizado com a ajuda do matplotlib.
vgg_based = train_model(vgg_based, criterion, optimizer_ft, num_epochs=25) visualize_model(vgg_based) plt.show()
Etapa 4) Resultados
O resultado final é que você alcançou uma precisão de 92%.
Epoch 23/24 ---------- train Loss: 0.0044 train Loss: 0.0078 train Loss: 0.0141 train Loss: 0.0221 train Loss: 0.0306 train Loss: 0.0336 train Loss: 0.0442 train Loss: 0.0482 train Loss: 0.0557 train Loss: 0.0643 train Loss: 0.0763 train Loss: 0.0779 train Loss: 0.0843 train Loss: 0.0910 train Loss: 0.0990 train Loss: 0.1063 train Loss: 0.1133 train Loss: 0.1220 train Loss: 0.1344 train Loss: 0.1382 train Loss: 0.1429 train Loss: 0.1500 Epoch 24/24 ---------- train Loss: 0.0076 train Loss: 0.0115 train Loss: 0.0185 train Loss: 0.0277 train Loss: 0.0345 train Loss: 0.0420 train Loss: 0.0450 train Loss: 0.0490 train Loss: 0.0644 train Loss: 0.0755 train Loss: 0.0813 train Loss: 0.0868 train Loss: 0.0916 train Loss: 0.0980 train Loss: 0.1008 train Loss: 0.1101 train Loss: 0.1176 train Loss: 0.1282 train Loss: 0.1323 train Loss: 0.1397 train Loss: 0.1436 train Loss: 0.1467 Training complete in 2m 47s
Finalizando então a saída do nosso modelo será visualizada com matplot abaixo:
Resumo
Então, vamos resumir tudo! O primeiro fator é que o PyTorch é um framework de aprendizado profundo em crescimento para iniciantes ou para fins de pesquisa. Ele oferece alto tempo de computação, Dynamic Graph, suporte a GPUs e é totalmente escrito em Python. Você pode definir seu próprio módulo de rede com facilidade e realizar o processo de treinamento com uma iteração fácil. É claro que PyTorch é ideal para iniciantes descobrirem aprendizado profundo e para pesquisadores profissionais é muito útil com tempo de computação mais rápido e também a função autograd muito útil para auxiliar gráficos dinâmicos.
