MicroNet实战：使用MicroNet实现图像分类
Posted AI浩
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了MicroNet实战：使用MicroNet实现图像分类相关的知识，希望对你有一定的参考价值。
文章目录
在上一篇文章中完成了前期的准备工作，见链接：
MicroNet实战：使用MicroNet实现图像分类（一）_AI浩的博客-CSDN博客
这篇主要是讲解如何训练和测试
配置参数
本次训练采用的参数是M3的配置参数，详细的配置参数在utils/defaults.py文件，参数如下：
_C = CN()
_C.MODEL = CN()
_C.MODEL.DEVICE = "cuda"
_C.MODEL.DEBUG = False # add debug flag
# If the WEIGHT starts with a catalog://, like :R-50, the code will look for
# the path in paths_catalog. Else, it will use it as the specified absolute
# path
_C.MODEL.WEIGHT = ""
_C.MODEL.ACTIVATION = CN()
_C.MODEL.ACTIVATION.MODULE = "DYShiftMax" # old for mbnetm2 "MaxLUConv"
_C.MODEL.ACTIVATION.ACT_MAX = 2.0
_C.MODEL.ACTIVATION.LAST_SE_OUP = False #use se-oup for the last 1x1 conv
_C.MODEL.ACTIVATION.LINEARSE_BIAS = False
_C.MODEL.ACTIVATION.INIT_A_BLOCK3 = [1.0, 0.0]
_C.MODEL.ACTIVATION.INIT_A = [1.0, 0.5]
_C.MODEL.ACTIVATION.INIT_B = [0.0, 0.5]
_C.MODEL.ACTIVATION.REDUCTION = 8
_C.MODEL.ACTIVATION.FC = False
_C.MODEL.ACTIVATION.ACT = 'relu'
_C.MODEL.MICRONETS = CN()
_C.MODEL.MICRONETS.NET_CONFIG = "msnx_dy12_exp6_20M_020"
_C.MODEL.MICRONETS.STEM_CH = 12
_C.MODEL.MICRONETS.STEM_DILATION = 1
_C.MODEL.MICRONETS.STEM_GROUPS = [4, 3]
_C.MODEL.MICRONETS.STEM_MODE = "spatialsepsf" # defaut/max2
_C.MODEL.MICRONETS.BLOCK = "DYMicroBlock"
_C.MODEL.MICRONETS.POINTWISE = 'group' #fft/1x1/shuffle
_C.MODEL.MICRONETS.DEPTHSEP = True # YUNSHENG ADD FOR MUTUAL LEARNING
_C.MODEL.MICRONETS.SHUFFLE = True
_C.MODEL.MICRONETS.OUT_CH = 1024
_C.MODEL.MICRONETS.DROPOUT = 0.1
_C.OUTPUT_DIR = "."
_C.PATHS_CATALOG = os.path.join(os.path.dirname(__file__), "paths_catalog.py")
训练
完成上面的步骤后，就开始train脚本的编写，新建train.py.
导入项目使用的库
import json
import os
import shutil
import matplotlib.pyplot as plt
import torch
import torch.nn.parallel
import torch.optim as optim
import torch.utils.data
import torch.utils.data.distributed
import torchvision.transforms as transforms
from sklearn.metrics import classification_report
from timm.data.mixup import Mixup
from timm.loss import SoftTargetCrossEntropy
from timm.utils import accuracy, AverageMeter
from torchtoolbox.transform import Cutout
from torchvision import datasets
from models.micronet import MicroNet
from utils import cfg
torch.backends.cudnn.benchmark = False
import warnings
warnings.filterwarnings("ignore")
os.environ['CUDA_VISIBLE_DEVICES']="0,1" #设置显卡序号
设置全局参数
设置学习率、BatchSize、epoch等参数，判断环境中是否存在GPU，如果没有则使用CPU。建议使用GPU，CPU太慢了。
if __name__ == '__main__':
# 创建保存模型的文件夹
file_dir = 'checkpoints/micronet'
if os.path.exists(file_dir):
print('true')
# os.rmdir(file_dir)
shutil.rmtree(file_dir) # 删除再建立
os.makedirs(file_dir)
else:
os.makedirs(file_dir)
# 设置全局参数
model_lr = 1e-3
BATCH_SIZE = 64
EPOCHS = 1000
DEVICE = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
use_amp =True # 是否使用混合精度
use_dp = False # 是否开启dp方式的多卡训练
classes = 12
resume = False
CLIP_GRAD = 5.0
model_path = 'best.pth'
Best_ACC = 0 # 记录最高得分
设置存放权重文件的文件夹，如果文件夹存在删除再建立。
接下来，查看全局参数：
model_lr：学习率，根据实际情况做调整。
BATCH_SIZE：batchsize，根据显卡的大小设置。
EPOCHS：epoch的个数，一般300够用。
use_amp：是否使用混合精度。
classes：类别个数。
resume：是否接着上次模型继续训练。
model_path：模型的路径。如果resume设置为True时，就采用model_path定义的模型继续训练。
CLIP_GRAD：梯度的最大范数，在梯度裁剪里设置。
Best_ACC：记录最高ACC得分。
图像预处理与增强
数据处理比较简单，加入了Cutout、做了Resize和归一化，定义Mixup函数。
这里注意下Resize的大小，由于MixNet的输入是224×224的大小，所以要Resize为224×224。
# 数据预处理7
transform = transforms.Compose([
transforms.Resize((224, 224)),
Cutout(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.51819474, 0.5250407, 0.4945761], std=[0.24228974, 0.24347611, 0.2530049])
])
transform_test = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.51819474, 0.5250407, 0.4945761], std=[0.24228974, 0.24347611, 0.2530049])
])
mixup_fn = Mixup(
mixup_alpha=0.8, cutmix_alpha=1.0, cutmix_minmax=None,
prob=0.1, switch_prob=0.5, mode='batch',
label_smoothing=0.1, num_classes=classes)
读取数据
使用pytorch默认读取数据的方式，然后将dataset_train.class_to_idx打印出来，预测的时候要用到。
将dataset_train.class_to_idx保存到txt文件或者json文件中。
# 读取数据
dataset_train = datasets.ImageFolder('data/train', transform=transform)
dataset_test = datasets.ImageFolder("data/val", transform=transform_test)
# 导入数据
train_loader = torch.utils.data.DataLoader(dataset_train, batch_size=BATCH_SIZE, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset_test, batch_size=BATCH_SIZE, shuffle=False)
print(dataset_train.class_to_idx)
with open('class.txt','w') as file:
file.write(str(dataset_train.class_to_idx))
with open('class.json','w',encoding='utf-8') as file:
file.write(json.dumps(dataset_train.class_to_idx))
class_to_idx的结果：
‘Black-grass’: 0, ‘Charlock’: 1, ‘Cleavers’: 2, ‘Common Chickweed’: 3, ‘Common wheat’: 4, ‘Fat Hen’: 5, ‘Loose Silky-bent’: 6, ‘Maize’: 7, ‘Scentless Mayweed’: 8, ‘Shepherds Purse’: 9, ‘Small-flowered Cranesbill’: 10, ‘Sugar beet’: 11
设置模型
- 设置loss函数，train的loss为：SoftTargetCrossEntropy，val的loss：nn.CrossEntropyLoss()。
- 设置模型为MicroNet，num_classes设置为12。如果resume为True，则加载模型接着上次训练。
- 优化器设置为adamW。
- 学习率调整策略选择为余弦退火。
- 开启混合精度训练,声明pytorch自带的混合精度 torch.cuda.amp.GradScaler()。
- 检测可用显卡的数量，如果大于1，并且开启多卡训练的情况下，则要用torch.nn.DataParallel加载模型，开启多卡训练。
# 实例化模型并且移动到GPU
criterion_train = SoftTargetCrossEntropy()
criterion_val = torch.nn.CrossEntropyLoss()
# 设置模型
model_ft =MicroNet(cfg, num_classes=12)
model_ft.load_state_dict(torch.load('micronet-m3.pth'), strict=False)
# nn.init.trunc_normal_(model_ft.head.weight, std=2e-5) # 将参数初始化为整态分布
if resume:
model_ft = torch.load(model_path)
model_ft.to(DEVICE)
print(model_ft)
# 选择简单暴力的Adam优化器，学习率调低
optimizer = optim.AdamW(model_ft.parameters(), lr=model_lr)
cosine_schedule = optim.lr_scheduler.CosineAnnealingLR(optimizer=optimizer, T_max=20, eta_min=1e-6)
if use_amp:
scaler = torch.cuda.amp.GradScaler()
if torch.cuda.device_count() > 1 and use_dp:
print("Let's use", torch.cuda.device_count(), "GPUs!")
model_ft = torch.nn.DataParallel(model_ft)
注：torch.nn.DataParallel方式，默认不能开启混合精度训练的，如果想要开启混合精度训练，则需要在模型的forward前面加上@autocast()函数。
如果不开启混合精度则要将@autocast()去掉，否则loss一直试nan。
定义训练和验证函数
训练函数
训练的主要步骤：
1、使用AverageMeter保存自定义变量，包括loss，ACC1，ACC5。
2、判断迭代的数据是否是奇数，由于mixup_fn只能接受偶数，所以如果不是偶数则要减去一位，让其变成偶数。但是有可能最后一次迭代只有一条数据，减去后就变成了0，所以还要判断不能小于2，如果小于2则直接中断本次循环。
3、将数据输入mixup_fn生成mixup数据，然后输入model计算loss。
4、 optimizer.zero_grad() 梯度清零，把loss关于weight的导数变成0。
5、如果使用混合精度，则
- with torch.cuda.amp.autocast(),开启混合精度。
- 计算loss。
- scaler.scale(loss).backward()，梯度放大。
- torch.nn.utils.clip_grad_norm_，梯度裁剪，放置梯度爆炸。
- scaler.step(optimizer) ，首先把梯度值unscale回来，如果梯度值不是inf或NaN,则调用optimizer.step()来更新权重，否则，忽略step调用，从而保证权重不更新。
- 更新下一次迭代的scaler。
否则，直接反向传播求梯度。torch.nn.utils.clip_grad_norm_函数执行梯度裁剪，防止梯度爆炸。
6、 torch.cuda.synchronize()，等待上面所有的操作执行完成。
7、接下来，更新loss，ACC1，ACC5的值。
等待一个epoch训练完成后，计算平均loss和平均acc
# 定义训练过程
def train(model, device, train_loader, optimizer, epoch):
model.train()
loss_meter = AverageMeter()
acc1_meter = AverageMeter()
acc5_meter = AverageMeter()
total_num = len(train_loader.dataset)
print(total_num, len(train_loader))
for batch_idx, (data, target) in enumerate(train_loader):
if len(data) % 2 != 0:
if len(data) < 2:
continue
data = data[0:len(data) - 1]
target = target[0:len(target) - 1]
print(len(data))
data, target = data.to(device, non_blocking=True), target.to(device, non_blocking=True)
samples, targets = mixup_fn(data, target)
output = model(samples)
optimizer.zero_grad()
if use_amp:
with torch.cuda.amp.autocast():
loss = criterion_train(output, targets)
scaler.scale(loss).backward()#梯度放大
torch.nn.utils.clip_grad_norm_(model.parameters(), CLIP_GRAD)
# Unscales gradients and calls
# or skips optimizer.step()
scaler.step(optimizer)
# Updates the scale for next iteration
scaler.update()
else:
loss = criterion_train(output, targets)
loss.backward()
torch.nn.utils.clip_grad_norm_(model.parameters(), CLIP_GRAD)
optimizer.step()
torch.cuda.synchronize()
lr = optimizer.state_dict()['param_groups'][0]['lr']
loss_meter.update(loss.item(), target.size(0))
acc1, acc5 = accuracy(output, target, topk=(1, 5))
loss_meter.update(loss.item(), target.size(0))
acc1_meter.update(acc1.item(), target.size(0))
acc5_meter.update(acc5.item(), target.size(0))
if (batch_idx + 1) % 10 == 0:
print('Train Epoch: [/ (:.0f%)]\\tLoss: :.6f\\tLR::.9f'.format(
epoch, (batch_idx + 1) * len(data), len(train_loader.dataset),
100. * (batch_idx + 1) / len(train_loader), loss.item(), lr))
ave_loss =loss_meter.avg
acc = acc1_meter.avg
print('epoch:\\tloss::.2f\\tacc::.2f'.format(epoch, ave_loss, acc))
return ave_loss, acc
验证函数
验证集和训练集大致相似，主要步骤：
1、定义参数，test_loss测试的loss，total_num总的验证集的数量，val_list验证集的label，pred_list预测的label。
2、在val的函数上面添加@torch.no_grad()，作用：所有计算得出的tensor的requires_grad都自动设置为False。即使一个tensor（命名为x）的requires_grad = True，在with torch.no_grad计算，由x得到的新tensor（命名为w-标量）requires_grad也为False，且grad_fn也为None,即不会对w求导。
3、使用验证集的loss函数求出验证集的loss。
4、调用accuracy函数计算ACC1和ACC5
5、更新loss_meter、acc1_meter、acc5_meter的参数。
本次epoch循环完成后，求得本次epoch的acc、loss。
如果acc比Best_ACC大，则保存模型。
# 验证过程
@torch.no_grad()
def val(model, device, test_loader):
global Best_ACC
model.eval()
loss_meter = AverageMeter()
acc1_meter = AverageMeter()
acc5_meter = AverageMeter()
total_num = len(test_loader.dataset)
print(total_num, len(test_loader))
val_list = []
pred_list = []
for data, target in test_loader:
for t in target:
val_list.append(t.data.item())
data, target = data.to(device,non_blocking=True), target.to(device,non_blocking=True)
output = model(data)
loss = criterion_val(output, target)
_, pred = torch.max(output.data, 1)
for p in pred:
pred_list.append(p.data.item())
acc1, acc5 = accuracy(output, target, topk=(1, 5))
loss_meter.update(loss.item(), target.size(0))
acc1_meter.update(acc1.item(), target.size(0))
acc5_meter.update(acc5.item(), target.size(0))
acc = acc1_meter.avg
print('\\nVal set: Average loss: :.4f\\tAcc1::.0f%\\tAcc5::.0f%\\n'.format(
loss_meter.avg, acc, acc5_meter.avg))
if acc > Best_ACC:
if isinstance(model, torch.nn.DataParallel):
torch.save(model.module, file_dir + "/" + 'model_' + str(epoch) + '_' + str(round(acc, 3)) + '.pth')
torch.save(model.module, file_dir + '/' + 'best.pth')
else:
torch.save(model, file_dir + "/" + 'model_' + str(epoch) + '_' + str(round(acc, 3)) + '.pth')
torch.save(model, file_dir + '/' + 'best.pth')
Best_ACC = acc
return val_list, pred_list, loss_meter.avg, acc
调用训练和验证方法
调用训练函数和验证函数的主要步骤：
1、定义参数：
- is_set_lr，是否已经设置了学习率，当epoch大于一定的次数后，会将学习率设置到一定的值，并将其置为True。
- log_dir：记录log用的，将有用的信息保存到字典中，然后转为json保存起来。
- train_loss_list：保存每个epoch的训练loss。
- val_loss_list：保存每个epoch的验证loss。
- train_acc_list：保存每个epoch的训练acc。
- val_acc_list：保存么每个epoch的验证acc。
- epoch_list：存放每个epoch的值。
循环epoch
1、调用train函数，得到 train_loss, train_acc，并将分别放入train_loss_list，train_acc_list，然后存入到logdir字典中。
2、调用验证函数，得到val_list, pred_list, val_loss, val_acc。将val_loss, val_acc分别放入val_loss_list和val_acc_list中，然后存入到logdir字典中。
3、保存log。
4、打印本次的测试报告。
5、如果epoch大于600，将学习率设置为固定的1e-6。
6、绘制loss曲线和acc曲线。
# 训练与验证
is_set_lr = False
log_dir =
train_loss_list, val_loss_list, train_acc_list, val_acc_list, epoch_list = [], [], [], [], []
for epoch in range(1, EPOCHS + 1):
epoch_list.append(epoch)
train_loss, train_acc = train(model_ft, DEVICE, train_loader, optimizer, epoch)
train_loss_list.append(train_loss)
train_acc_list.append(train_acc)
log_dir['train_acc'] = train_acc_list
log_dir['train_loss'] = train_loss_list
val_list, pred_list, val_loss, val_acc = val(model_ft, DEVICE, test_loader)
val_loss_list.append(val_loss)
val_acc_list.append(val_acc)
log_dir['val_acc'] 以上是关于MicroNet实战：使用MicroNet实现图像分类的主要内容，如果未能解决你的问题，请参考以下文章