【学习源】Tutorials > Deep Learning with PyTorch: A 60 Minute Blitz > Training a Classifier
本文相当于对上面链接教程中自认为有用部分进行的截取、翻译和再注释。便于日后复习、修正和补充。
一、准备数据集边写边查资料的过程中猛然发现这居然有中文文档……不过中文文档也是志愿者翻译的，仅仅是翻译，也没有对知识点的扩充，不耽误我写笔记。这篇笔记就继续写下去吧。附PyTorch 中文教程 & 文档 > 训练分类器
一般来说，当你不得不与图像、文本或者视频资料打交道时，会选择使用python的标准库将原始数据加载转化成numpy数组，甚至可以继续转换成torch.*Tensor。
- 对图片而言，可以使用Pillow库和OpenCV库
- 对视频而言，可以使用scipy库和librosa库
- 对文本而言，可以使用基于原生Python或Cython加载，或NLTK和SpaCy等。
Pytorch特别针对视觉方面创建torchvision库，其中包含能够加载ImageNet、CIFAR10和MNIST等数据集的数据加载功能，对图像的数据增强功能，即 torchvision.datasets 和 torch.utils.data.DataLoader 。
这为大家搭建数据集提供了极大的便利，避免了需要自己写样板代码的情况。
本次我们使用CIFAR10数据集。这是一个含有“飞机”、“汽车”、“鸟”、“猫”、“鹿”、“狗”、“青蛙”、“马”、“轮船”和“卡车”等10个分类的数据集。数据集中每张图像均为[C×H×W]=[3×32×32]即3通道的高32像素宽32像素的彩色图像。
下面的步骤大概可以分成5个有序部分：
- 用 torchvision 载入(loading)并归一化(normalize)CIFAR10训练数据集和测试数据集
- 定义卷积神经网络(CNN)
- 定义损失函数和优化器
- 训练网络
- 测试网络
2.1 载入并归一化CIFAR10数据集P.S. 以下给出的代码均为在CPU上运行的代码。但本人在pycharm中运行的为自己修改过的在GPU上训练的代码，示例结果和截图也都是GPU运行的结果。
用torchvision载入CIFAR10
import torch
import torchvision
import torchvision.transforms as transforms
torchvision加载的数据集是PILImage，数据范围[0,1]。我们需要使用transform函数将其归一化(normalize)为[-1,1]。
细心的伙伴发现了我将英文的normalize翻译成了“归一化”而不是标准化，这是因为接下来的代码你会看到预处理阶段transformer变量存储的处理操作仅仅是运用了normalize的计算规则将数据范围进行了缩放，并没有改变数据的分布，因此翻译成“归一化”更合理。
NOTE.(抄的原文，以防有小伙伴真的遇到这个意外问题)
If running on Windows and you get a BrokenPipeError,
try setting the num_worker of torch.utils.data.DataLoader() to 0。
--snip--
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
batch_size = 4
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size, shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
transform中的ToTensor和Normalize函数究竟在做什么，以及为什么要归一化等问题感兴趣的小伙伴可以阅读附录中的序号1~3文章，其中
- 博主“小研一枚”[1]通过源码为我们讲解函数的计算行为定义等知识点
- 答主"Transformer"[2]通过知乎专栏为我们做了几组代码实例。而我们则要看清文章、留言区争论的核心与我们真正求索的问题之间的区别和联系，避免被争论本身误导
- 答主“JMD”[3]则为我们科普归一化的相关知识
书归正题，上述代码第一次运行的结果可能是这样子的：
此时，我们可以使用numpy库和matplotlib库查看数据集中的图片和标签。
import matplotlib.pyplot as plt
import numpy as np
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
但是如果你就这样将代码copy+paste在pycharm中直接接续在载入数据的代码下面点击“运行”，有可能得到的是一个RuntimeError,并建议你按照惯例设置if __name__ == '__main__':
所以，我建议将目前为止的代码优化成下面的样子：
import torch
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader # 如果torch.utils.data.DataLoader()有报错提示“在 '__init__.py' 中找不到引用 'data'则增加此语句或者其他语句 ”
import matplotlib.pyplot as plt
import numpy as np
# ①←后续如果继续导入packages，请直接在这里插入代码
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
batch_size = 4
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size, shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
def imshow(img):
"""显示图像的函数"""
img = img / 2 + 0.5 # 去归一化
npimg = img.numpy()
# 上面transform.ToTensor()操作后数据编程CHW[通道靠前模式]，需要转换成HWC[通道靠后模式]才能plt.imshow()
plt.imshow(np.transpose(npimg, (1, 2, 0))) # 转置前将排在第0位的Channel(C)放在最后，所以是(1,2,0)
plt.show()
# ②←后续再有定义class、function等在此插入代码编写
if __name__ == '__main__':
# 随机输出
dataiter_tr = iter(trainloader) # 取一个batch的训练集数据
# images_tr, labels_tr = dataiter_tr.next() 根据你的python选择迭代器调用语句
images_tr, labels_tr = next(dataiter_tr) # 切分数据和标签
imshow(torchvision.utils.make_grid(images_tr)) # 生成网格图
print(' '.join(f'{classes[labels_tr[j]]:5s}' for j in range(batch_size))) # 打印标签值
# print(' '.join('%5s' % classes[labels_tr[j]] for j in range(batch_size))) 如果你使用python3.6之前的版本，那么有可能无法使用f字符串语句，只能使用.format()方法
# ③←后续的程序执行语句在此插入
输出图像示例：
2.2 定义一个卷积神经网络标签输出：bird cat deer ship
可以将之前写过的识别手写数字MNIST的神经网络迁移到这里来。
# 在①后插入import代码
import torch.nn as nn
import torch.nn.functional as F
# 在②后插入神经网络定义代码
class Net(nn.Module):
"""定义一个卷积神经网络及前馈函数"""
def __init__(self):
"""初始化网络：定义卷积层、池化层和全链接层"""
super().__init__() # 继承父类属性。P.S. 如果看到super(Net, self).__init__()写法亦可
self.conv1 = nn.Conv2d(3, 6, 5) # 使用2套卷积核。输入(B×3×32×32),输出(B×6×28×28)
self.pool = nn.MaxPool2d(2, 2) # 最大池化操作，输出时高、宽减半，(B×6×14×14) (B×16×5×5)
self.conv2 = nn.Conv2d(6, 16, 5) # 使用4套卷积核，卷积核大小为5×5。(B×16×10×10)
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全链接层。将数据扁平化成一维，共400个输入，120个输出
self.fc2 = nn.Linear(120, 84) # 全链接层。120个输入，84个输出
self.fc3 = nn.Linear(84, 10) # 全链接层。84个输入，10个输出用于分类
def forward(self, x):
"""前馈函数，规定数据正向传播的规则"""
x = self.pool(F.relu(self.conv1(x))) # 输入 > conv1卷积 > ReLu激活 > maxpool最大池化
x = self.pool(F.relu(self.conv2(x))) # > conv2卷积 > ReLu激活 > maxpool最大池化
# x = torch.flatten(x, 1) # 如果你不喜欢下一种写法实现扁平化，可以使用这条语句代替
x = x.view(-1, 16 * 5 * 5) # 相当于numpy的reshape。此处是将输入数据变换成不固定行数，因此第一个参数是-1，完成扁平化
x = F.relu(self.fc1(x)) # 扁平化数据 > fc1全链接层 > ReLu激活
x = F.relu(self.fc2(x)) # > fc2全链接层 > ReLu激活
x = self.fc3(x) # > fc3全链接层 > 输出
return x
# 在③后插入神经网络实例化代码
net = Net() # 实例化神经网络
我们使用多分类交叉熵损失函数(Classification Cross-Entropy loss)[4]和随机梯度下降法(SGD)的动量改进版(momentum)[5][6]
# 在①后插入import代码
import torch.optim as optim
# 在③后插入代码
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
这里必须做一个扩展。
在2.2中我们可以看到神经网络中，每个层的输出都经过了激活函数的激活作用。但是在输出层后却缺少了激活函数而貌似“直接作用了损失函数”。
简单地说，原因就在于torch.nn.CrossEntropyLoss()将nn.LogSoftmax()激活函数和nn.NLLLoss()负对数似然损失函数集成在一起。
logsoftmax是argmax => softargmax => softmax => logsoftmax逐步优化的求极大值的index的期望的方法。
负对数似然损失函数(Negtive Log Likehood)就是计算最小化真实分布\(P(y|x)\)与模型输出分布\(P(\hat{y}|x)\)的距离，等价于最小化两者的交叉熵。实际使用函数时，是one-hot编码后的标签与logsoftmax结果相乘再求均值再取反，这个过程博主“不愿透漏姓名的王建森”在他的博客中做过实验[7]讲解。
上述结论的详尽说明请参考知乎上Cassie的创作《吃透torch.nn.CrossEntropyLoss()》[8]、知乎上Gordon Lee的创作《交叉熵和极大似然估计的再理解》 [9]。
P.S. 对于torch.nn.CrossEntropyLoss()的官网Doc中提到的"This is particularly useful when you have an unbalanced training set."关于如何处理不均衡样品的几个解决办法，可以参考Quora上的问答《In classification, how do you handle an unbalanced training set?》[10]以及热心网友对此问答的翻译[11]
事情变得有趣起来了！我们只需要遍历我们的迭代器，将其输入进神经网络和优化器即可。
如果想在GPU上训练请参考文章开头给出的【学习源】链接中的末尾部分有教授如何修改代码的部分。
--snip--
# 在③后插入代码
for epoch in range(5): # 数据被遍历的次数
running_loss = 0.0 # 每次遍历前重新初始化loss值
for i, data in enumerate(trainloader, 0):
inputs, labels = data # 切分数据集
optimizer.zero_grad() # 梯度清零，避免上一个batch迭代的影响
# 前向传递 + 反向传递 + 权重优化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 输出日志
running_loss += loss.item() # Tensor.item()方法是将tensor的值转化成python number
if i % 2000 == 1999: # 每2000个mini batches输出一次
# print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) 如果python3.6之前版本可以使用这个代码
print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
running_loss = 0.0
print('Finished Training')
Out:
model will be trained on device: 'cuda:0'
某一次输出结果日志整理一下如下表：
epoch ↓
Finished Training
将loss数据整理并画图(选做)：
--snip--
x = np.linspace(2000, 12000, 6, dtype=np.int32)
# 数据每次训练输出都不一样，给出画图代码，至于数据，大家寄几填吧~
epoch_01 = np.array([...])
epoch_02 = np.array([...])
epoch_03 = np.array([...])
epoch_04 = np.array([...])
epoch_05 = np.array([...])
plt.plot(x, epoch_01, 'ro-.', x, epoch_02, 'bo-.', x, epoch_03, 'yo-.', x, epoch_04, 'ko-.', x, epoch_05, 'go-.')
plt.legend(['Epoch_1', 'Epoch_2', 'Epoch_3', 'Epoch_4', 'Epoch_5'])
plt.xlabel('number of mini-batches')
plt.ylabel('loss')
plt.title('Loss during CIFAR-10 training procedure in Convolution Neural Networks')
plt.show()
通过数据我们可以看出loss的下降趋势：
- 第一个epoch的最明显
- 第二个epoch继续降低，但趋势更平缓
- 后三个epoch在开始较前一个epoch有较明显下降，但下降幅度递减
- *后三个epoch在该epoch内下降趋势平缓，或出现小幅震荡并保持低于前一个epoch
现在我们可以快速保存训练完成的模型到指定的路径。
--snip--
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
2.5 测试神经网络保存的文件
我们已经用训练集数据将神经网络训练了5次(epoches=5)。但我们还需要核实神经网络是否真的学到了什么。
我们将以神经网络预测的类别标签和真实标签进行对比核实。如果预测正确，则将样本添加到正确预测列表中。
首先我们像查看训练集的一个mini batch图像一样，看一下一部分测试集图像。
--snip--
dataiter_te = iter(testloader)
images_te, labels_te = next(dataiter_te) # 另一种备用写法参考训练集部分
imshow(torchvision.utils.make_grid(images_te))
print('GroundTruth: ', ' '.join('%5s' % classes[labels_te[j]] for j in range(batch_size))) # 另一种备用写法参考训练集部分
Out:
GroundTruth: cat ship ship plane
下面，我们载入之前保存的模型(注：保存和再载入模型不是必要步骤，这里这么做是为了演示这些操作)：
--snip--
net = Net()
net.load_state_dict(torch.load(PATH))
OK，现在让我们看看神经网络如何看待这些图像的分类的：
--snip--
outputs = net(images) # 看一下神经网络对上述展示图片的预测结果
输出的是10个分类的“能量(energy)”。某个分类的能量越高，意味着神经网络认为该图像越符合该分类。因此我们可以获得那个能量的索引。
--snip--
_, predicted = torch.max(outputs, 1) # torch.max(input, dim)返回按照dim方向的最大值和其索引
print('Predicted: ', ' '.join(f'{classes[predicted[j]]:5s}' for j in range(batch_size)))
Out:
Predicted: cat ship ship ship
看起来不错。下面就试一试在全部测试集上的表现：
correct = 0
total = 0
# 由于这不是在训练模型，因此对输出不需要计算梯度等反向传播过程
with torch.no_grad():
for data in testloader:
images_pre, labels_pre = data
outputs = net(images_pre) # 数据传入神经网络，计算输出
_, predicted = torch.max(outputs.data, 1) # 获取最大能量的索引
total += labels_pre.size(0) # 计算预测次数
correct += (predicted == labels_pre).sum().item() # 计算正确预测次数
print(f'Accuracy of the network on the 10000 test images: {100 * correct // total} %')
Out:
Accuracy of the network on the 10000 test images: 61 %
感觉预测的准确率比随机从10个类中蒙一个类(概率10%)要高，看来神经网络确实学到了一些东西。
当然，我们还可以看一下对于不同的类的学习效果：
--snip--
# 生成两个dict,分别用来存放预测正确数量和总数量的个数
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
# 启动预测过程，无需计算梯度等
with torch.no_grad():
for data in testloader:
images_cl, labels_cl = data
outputs = net(images_cl)
_, predictions = torch.max(outputs, 1)
# 开始计数
for label, prediction in zip(labels_cl, predictions):
if label == prediction:
correct_pred[classes[label]] += 1
total_pred[classes[label]] += 1
# 分类别打印预测准确率
for classname, correct_count in correct_pred.items():
accuracy = 100 * float(correct_count) / total_pred[classname]
print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')
Out:
Accuracy for class: plane is 66.2 %
Accuracy for class: car is 80.7 %
Accuracy for class: bird is 39.1 %
Accuracy for class: cat is 53.4 %
Accuracy for class: deer is 64.6 %
Accuracy for class: dog is 35.8 %
Accuracy for class: frog is 67.9 %
Accuracy for class: horse is 69.5 %
Accuracy for class: ship is 75.0 %
Accuracy for class: truck is 65.5 %
至此，我们完成了练习！
在结束前，让我们反思一下准确率为何会呈现上述样子，我推测：
- 数据集本身缺陷，如图片太小(32×32)不足以让卷积神经网络提取到足够特征，类别划分不合理(汽车&卡车，以及飞机&鸟等较其他类别而言是否太过相似)，各类别图像数量和图像本身质量等
- 数据的预处理不足，预处理阶段对数据的增强不够，是否可以加入旋转/镜像/透视、裁剪、亮度调节、噪声/平滑等处理
- 神经网络本身的结构、参数设置等是否合理，如卷积/全链接层数的规定、卷积核相关的定义、损失函数的选择、batch size/epoch的平衡等(希望可以通过学习后续的Alexnet、VGG、Resnet、FastRCNN、YOLO等受到启发)
- 避免偶然。不能以单次的结果去评价，评价应当建立在若干次重复试验的基础上
通过本次练习，我们做到了：
- 熟悉了编写神经网络的结构、前馈/反馈等必要功能，编写并实现了训练、测试过程等
- 对官网和中文文档做了适当扩充和一些细微调整
- 查阅学习了涉及归一化、随机梯度下降法极其改进算法、交叉熵和极大似然在多分类中的应用等
- 对训练过程和结果做出了小结.
最后，希望各位给出建议与批评~ 共同交流学习~
附录pytorch的transform中ToTensor接着Normalize ↩︎
pytorch中归一化transforms.Normalize的真正计算过程 ↩︎
标准化/归一化的目的和作用 ↩︎
Doc--torch.nn.CrossEntropyLoss ↩︎
torch.optim.SGD ↩︎
深度学习中常用优化器的总结 ↩︎
交叉熵的数学原理及应用——pytorch中的CrossEntropyLoss()函数 ↩︎
吃透torch.nn.CrossEntropyLoss() ↩︎
交叉熵和极大似然估计的再理解 ↩︎
In classification, how do you handle an unbalanced training set? ↩︎
在分类中如何处理训练集中不平衡问题？ ↩︎