点击上方“算法猿的成长”，选择“加为星标”
第一时间关注 AI 和 Python 知识
图片来源：Pexels，作者：Arthur Ogleznev
2019 年第 68 篇文章，总第 92 篇文章
本文大约 6800 字，建议收藏阅读
原题 | TRANSFER LEARNING TUTORIAL
作者 | Sasank Chilamkurthy
原文 | https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html#transfer-learning-tutorial
译者 | kbsc13("算法猿的成长"公众号作者)
声明 | 翻译是出于交流学习的目的，欢迎转载，但请保留本文出于，请勿用作商业或者非法用途
简介
本次教程主要介绍如何用深度学习实现迁移学习。更多更详细的迁移学习知识可以查看 cs231n 课程--https://cs231n.github.io/transfer-learning/
实际应用中，很少人会从头开始，通过随机初始化来训练一个卷积神经网络，因为拥有足够数量的数据集太少了。通常，大家都会选择一个在比较大的数据集（比如 ImageNet 数据集，1000个类别总共120万张图片）上训练好的预训练模型，然后对卷积神经网络进行初始化，或者用于提取特征。
迁移学习的两大主要应用场景：
微调网络：采用预训练模型对网络进行初始化，而不是随机初始化，这种做法可以更快收敛，同时也能取得更好的效果。
作为一个特征提取器：这种应用会将除了最后的全连接层外的网络层都固定权重参数，然后最后的全连接层会根据数据集类别数量进行修改输出，并随机初始化其权值，然后训练该层。
本文的教程，代码中需要导入的模型如下所示：
# License: BSD
# Author: Sasank Chilamkurthyfrom __future__ import print_function, divisionimport 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 copyplt.ion() # interactive mode
加载数据
加载数据这部分将采用 torchvision 和 torch.utils.data 两个模块。
本次教程的目标是训练一个二分类模型，类别是蚂蚁和蜜蜂，因此数据集中分别包含了 120 张蚂蚁和蜜蜂的训练图片，然后每个类别还包含 75 张图片作为验证集。也就是说这个数据集总管只有 390 张图片，不到一千张图片，是一个非常小的数据集，如果从头训练模型，很难获得很好的泛化能力。因此，本文将对这个数据集采用迁移学习的方法来得到更好的泛化能力。
获取本文数据集和代码，可以在公众号后台回复“pytorch迁移学习”获取。
加载数据的代码如下所示：
# 数据增强方法，训练集会实现随机裁剪和水平翻转，然后进行归一化
# 验证集仅仅是裁剪和归一化，并不会做数据增强
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])]),
}
# 数据集所在文件夹
data_dir = 'data/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'].classesdevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
可视化图片
首先可视化一些训练图片，以便于更好理解数据增强。代码如下所示：
# 图片展示的函数
def imshow(inp, title=None):"""Imshow for Tensor."""# 逆转操作，从 tensor 变回 numpy 数组需要转换通道位置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])# 从归一化后变回原始图片inp = std * inp + meaninp = np.clip(inp, 0, 1)plt.imshow(inp)if title is not None:plt.title(title)plt.pause(0.001) # pause a bit so that plots are updated# 获取一个 batch 的训练数据
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])
展示的图片如下所示：
训练模型
加载数据后，就是开始进行训练模型，这里会介绍以下两个内容：
制定学习率的策略
保存最佳模型
在下面的代码中，参数 scheduler 是采用 torch.optim.lr_scheduler 初始化的 LR 策略对象：
# 训练模型的函数
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):since = time.time()best_model_wts = copy.deepcopy(model.state_dict())best_acc = 0.0for epoch in range(num_epochs):print('Epoch {}/{}'.format(epoch, num_epochs - 1))print('-' * 10)# 每个 epoch 都分为训练阶段和验证阶段for phase in ['train', 'val']:# 注意训练和验证阶段，需要分别对 model 的设置if phase == 'train':scheduler.step()model.train() # Set model to training modeelse:model.eval() # Set model to evaluate moderunning_loss = 0.0running_corrects = 0# Iterate over data.for inputs, labels in dataloaders[phase]:inputs = inputs.to(device)labels = labels.to(device)# 清空参数的梯度optimizer.zero_grad()# 只有训练阶段才追踪历史with torch.set_grad_enabled(phase == 'train'):outputs = model(inputs)_, preds = torch.max(outputs, 1)loss = criterion(outputs, labels)# 训练阶段才进行反向传播和参数的更新if phase == 'train':loss.backward()optimizer.step()# 记录 loss 和 准确率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 modelif phase == 'val' and epoch_acc > best_acc:best_acc = epoch_accbest_model_wts = copy.deepcopy(model.state_dict())print()time_elapsed = time.time() - sinceprint('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))print('Best val Acc: {:4f}'.format(best_acc))# 载入最好的模型参数model.load_state_dict(best_model_wts)return model
上述函数实现了模型的训练，在一个 epoch 中分为训练和验证阶段，训练阶段自然需要前向计算加反向传播，并更新网络层的参数，但验证阶段只需要前向计算，然后记录 loss 和验证集上的准确率即可。
此外就是需要设置保存模型的条件，这里是当每次验证集的准确率都高于之前最好的准确率时，保存模型。
可视化模型的预测结果
下面定义了一个可视化模型预测结果的函数，用于展示图片和模型对该图片的预测类别信息：
# 可视化模型预测结果，即展示图片和模型对该图片的预测类别信息，默认展示 6 张图片
def visualize_model(model, num_images=6):was_training = model.trainingmodel.eval()images_so_far = 0fig = 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 += 1ax = 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)returnmodel.train(mode=was_training)
微调网络
这部分就是本次迁移学习的核心内容，前面都是正常的加载数据、定义训练过程的代码，这里介绍的就是如何进行微调网络，代码如下所示：
# 加载 resnet18 网络模型，并且设置加载预训练模型
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
# 修改输出层的输出数量，本次采用的数据集类别为 2
model_ft.fc = nn.Linear(num_ftrs, 2)model_ft = model_ft.to(device)criterion = nn.CrossEntropyLoss()# 对所有网络层参数进行更新
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)# 学习率策略，每 7 个 epochs 乘以 0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
这一步因为是设置加载预训练模型，所以运行后会下载预训练的 resnet18 网络模型文件
训练和验证
接下来开始正式训练网络模型了，代码如下所示，如果采用 cpu，大约需要 15-25 分钟的过程，而如果采用 gpu，那么速度就很快了，基本一分钟左右就训练完成了。
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,num_epochs=25)
训练结果：
可视化模型预测结果：
visualize_model(model_ft)
可视化结果如下：
用于特征提取器
刚刚是用于微调网络，即将预训练模型用于初始化网络层的参数，接下来介绍迁移学习的第二种用法，作为特征提取器，也就是固定预训练模型部分的网络层的权值参数，这部分的实现代码，如下所示，其中需要将卷积层部分的参数固定，即设置 requires_grad==False ，这样在反向传播过程就不会计算它们的梯度，更多内存可以查看 https://pytorch.org/docs/notes/autograd.html#excluding-subgraphs-from-backward
model_conv = torchvision.models.resnet18(pretrained=True)
# 固定卷积层的权重参数
for param in model_conv.parameters():param.requires_grad = False# 新的网络层的参数默认 requires_grad=True
num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)model_conv = model_conv.to(device)criterion = nn.CrossEntropyLoss()# 只对输出层的参数进行更新
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)# 学习率策略，每 7 个 epochs 乘以 0.1
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
再次进行训练：
model_conv = train_model(model_conv, criterion, optimizer_conv,exp_lr_scheduler, num_epochs=25)
训练结果：
可视化网络的预测结果
visualize_model(model_conv)plt.ioff()
plt.show()
输出结果：
小结
本文教程简单介绍了迁移学习的内容，通过训练一个二分类模型，简单介绍迁移学习的两个用法，微调网络和用于固定的特征提取器。
本文代码地址：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/pytorch_transfer_learning_example.ipynb
获取本文的代码和数据集方法：
关注公众号“算法猿的成长”
公众号会话界面回复“pytorch迁移学习"
欢迎关注我的微信公众号--算法猿的成长，或者扫描下方的二维码，大家一起交流，学习和进步！
如果觉得不错，在看、转发就是对小编的一个支持！
