공부/코딩 관련
[Pytorch]Transfer Learning
우리집뚱
2021. 8. 15. 20:27
데이터셋에 대한 힌트로 노이즈가 있는 입력 이미지를 받아 하나의 레이블을 예측하는 모델을 만들어 보도록 할 것이다.
사용하는 데이터셋은 두 가지 레이블("ants", "bees")을 가지고 있다.
[출처] https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html
위 링크에서 데이터 셋과 코드를 가지고 왔다.
데이터셋의 입력 이미지는 아래 그림과 같다.
package import
코드를 작성하기 전에 아래 패키지를 임포트한다.
# License: BSD
# Author: Sasank Chilamkurthy
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
plt.ion() # interactive mode
다운로드 받은 데이터 셋의 위치는 "My Drive/colab_data/hymenoptera_data"이다.
Colab에서 코드를 작성하고 있고 구글 드라이브에 저장된 데이터를 가지고 오기 때문에 아래 코드를 추가해준다.
from google.colab import drive
drive.mount('/content/drive')
load data
우리가 만들고자 하는 모델은 개미와 꿀벌을 분류하는 모델이다.
이미지 데이터는 아래 구조와 같이 저장되어 있다.
아래와 같은 구조이기 때문에 datasets.ImageFolder를 사용할 수 있다.
데이터를 load하는 코드는 아래와 같다.
data_transforms = {
'train': transforms.Compose([
transforms.RandomResizedCrop(200), #랜덤하게 crop 200*200
transforms.RandomHorizontalFlip(), #램덤하게 수평으로 뒤집기
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) #정규화
]),
'val': transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(200),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
}
data_dir = '/content/drive/My Drive/colab_data/hymenoptera_data'
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), #디렉토리에 'train'과 'test'가 있으므로 join함.
data_transforms[x])
for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4, #train과 test 모두 있음.
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")
print(device)
데이터셋을 확인하기 위해 plot하는 코드는 아래와 같다.
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) #0보다 작은 값은 0으로 1보다 큰 값은 1보로 바꿔줌
plt.imshow(inp)
if title is not None:
plt.title(title)
plt.pause(0.001) #0.001초 동안 멈춰 그림이 화면에 갱신되는 시간을 줌
# Get a batch of training data
inputs, classes = next(iter(dataloaders['train']))
# Make a grid from batch
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
training
아래 코드는 모델을 학습시키는 함수이다.
함수는 가장 정확도가 높은 모델을 return한다.
def train_model(model, criterion, optimizer, scheduler, num_epochs=25): # scheduler는 lr를 스케줄링함
since = time.time()
best_model_wts = copy.deepcopy(model.state_dict())
# 매개변수가 담겨있는 딕셔너리(Dictionary), 가중치와 편향에 대한 정보가 담겨있기 때문에 모델이 구현되어 있는 경우에 사용.
best_acc = 0.0
for epoch in range(num_epochs):
print('Epoch {}/{}'.format(epoch, num_epochs - 1))
print('-' * 10)
# Each epoch has a training and validation phase
for phase in ['train', 'val']:
if phase == 'train':
model.train() # Set model to training mode
else:
model.eval() # Set model to evaluate mode
running_loss = 0.0
running_corrects = 0
# Iterate over data.
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward
# track history if only in train
with torch.set_grad_enabled(phase == 'train'):
# 'val'일 때 torch.no_grad()로 autograd를 꺼서 backpropagation되지 않도록 함
outputs = model(inputs)
_, preds = torch.max(outputs, 1) #preds는 값이 가장 큰 값의 인덱스 저장
loss = criterion(outputs, labels)
# backward + optimize only if in training phase
if phase == 'train':
loss.backward()
optimizer.step()
# statistics
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
if phase == 'train':
scheduler.step()
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()) #model의 구조는 똑같기 때문에 state_dict만 저장
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
visualization
아래 코드는 이미지 예측을 하는 함수를 나타낸다.
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)
fine tuning
ResNet18
# 미리 학습된 resnet 가지고 와서 학습(transfer learning)
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2) # #마지막 레이어만 학습 레이블 수에 맞게 바꿔준다.
print(model_ft)
model_ft = model_ft.to(device)
criterion = nn.CrossEntropyLoss()
# Observe that all parameters are being optimized
optimizer_ft = optim.SGD(model_ft.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_ft, step_size=7, gamma=0.1)# 모델 학습
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler, num_epochs=25)
# 이미지 예측
visualize_model(model_ft)
ConvNet as fixed feature extractor
model_conv = 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
# opposed 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)model_conv = train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler, num_epochs=25)
visualize_model(model_conv)
plt.ioff()
plt.show()728x90