首页 > 其他分享 >【PyTorch 实战1:ResNet 分类模型】10min揭秘 ResNet如何轻松训练超深层网络以及pytorch代码实现

【PyTorch 实战1:ResNet 分类模型】10min揭秘 ResNet如何轻松训练超深层网络以及pytorch代码实现

时间:2024-03-17 17:59:33浏览次数:26  
标签:10min 梯度 代码 torch ResNet pytorch 虚拟环境 transforms

ResNet 简介和原理

1. 什么是 ResNet?

ResNet的目标是解决训练深层神经网络时出现的梯度消失问题。在深层网络中,梯度消失会导致难以训练。ResNet通过引入跳跃连接快捷连接来有效地解决这个问题。由何凯明等人于2015年提出。这篇论文的正式标题是 《Deep Residual Learning for Image Recognition》

  • 问题背景:深度神经网络的训练变得越来越困难,尤其是当网络层数增加时。
  • 解决方案:ResNet引入了跳跃连接,允许网络层之间的直接连接,从而有效地解决了梯度消失问题。
  • 核心思想:学习残差(即输入与输出之间的差异),使网络更易于训练。
  • 层的重新定义:将网络层显式地重新定义为学习残差函数,而不是学习无参考的函数。
  • 优点:ResNet网络更易于优化,可以通过增加深度获得更高的准确性。

2. 梯度消失问题

考虑一个网络层H(x)由两个子层组成:layer1和layer2。如果H(x)相对于x的偏导数的幅度远小于1,由于激活函数(如Sigmoid)的存在,从H(x)的梯度传播到x的梯度会非常小,这就是梯度消失问题

3. ResNet 架构

ResNet有多个变体,包括ResNet18、ResNet34、ResNet50、ResNet101和ResNet152。每个变体都有不同的残差块结构和不同数量的残差块。

ResNet引入了跳跃连接,如下图所示:

resnet

通过从x到H(x)添加跳跃连接,网络学习残差F(x) = H(x) - x,这样更容易。有了这个跳跃连接,x的梯度可以轻松地从H(x)的梯度传播过来,有效地解决了梯度消失问题。

公式说明

ResNet的核心思想是学习残差,即F(x) = H(x) - x。这可以用公式表示为:

[ H(x) = F(x) + x ]

实验结果

  • 在ImageNet数据集上,ResNet网络的深度可达152层,比VGG网络深8倍,但复杂度较低。
  • 在ImageNet测试集上,ResNet集成模型的错误率为3.57%,在ILSVRC 2015分类任务中获得第一名。
  • 在CIFAR-10数据集上,ResNet在100和1000层上进行了分析。
  • 在COCO目标检测数据集上,由于极深的表示,ResNet相对于其他方法获得了28%的改进。

ResNet 代码实现(基于pytorch,分类问题)

环境安装

以下是在全新环境中配置Conda虚拟环境的步骤,确保已经安装了CondaPython

  1. 安装 Miniconda

    • 首先,请确保已经安装 Miniconda。可以从Miniconda 官网下载适合您操作系统的版本。(anaconda也可)
    • 安装完成后,在命令行中输入 conda -V 来验证是否成功安装了 Miniconda
  2. 创建虚拟环境

    • 打开命令行或终端,输入以下命令来创建一个名为 my_env 的虚拟环境(可以自行更改环境名称,如resnet):
      conda create -n my_env python=3.8
      
    • 这将创建一个基于 Python 3.8 的虚拟环境。
  3. 激活虚拟环境

    • 输入以下命令来激活刚刚创建的虚拟环境:
      conda activate my_env
      
    • 现在您已经在 my_env 环境中了。
  4. 安装所需的软件包

    • 在激活的虚拟环境中,您可以使用以下命令安装所需的软件包,例如 PyTorchTorchVision
      conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch
      
    • 这将安装 PyTorch 和相关依赖。
  5. 编写代码

    • 下面已经提供

到这里就完成了虚拟环境的安装,可以开始编写和运行下面的代码了!

  1. 运行代码
    • 在虚拟环境中运行您的代码:
      python resnet.py
      

代码实现

下面是基于ResNet-50的分类任务代码示例,我们将使用PyTorchTorchVision库。
将下面代码copy到编辑器中,新建文件名字为“resnet.py”

import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as transforms
from torchvision.datasets import CIFAR10
from torch.utils.data import DataLoader

# 设置设备(GPU 或 CPU)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 加载预训练的 ResNet-50 模型
resnet50 = models.resnet50(pretrained=True)
resnet50.to(device)
resnet50.eval()

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载 CIFAR-10 数据集
dataset = CIFAR10(root="./data", train=False, transform=transform, download=True)
dataloader = DataLoader(dataset, batch_size=1, shuffle=False)

# 分类任务
with torch.no_grad():
    for images, labels in dataloader:
        images = images.to(device)
        outputs = resnet50(images)
        _, predicted = torch.max(outputs, 1)
        print(f"Predicted class: {predicted.item()}")

# resnet50=====cifar10=====分类问题======

这段代码会加载预训练的 ResNet-50 模型,并在 CIFAR-10 数据集上进行分类预测。可以根据自己的需求修改数据集和其他参数。

标签:10min,梯度,代码,torch,ResNet,pytorch,虚拟环境,transforms
From: https://blog.csdn.net/xiaoh_7/article/details/136785797

相关文章

  • 李沐动手学深度学习pytorch实践笔记
    1、pytorch中的矩阵乘法;2、标量对向量求导;3、pytorch的backward函数;4、如何直观理解梯度下降;梯度,是个向量,有方向和长度就是向量,向量里的各个元素是偏导、是标量对向量求导的那个偏导、是多元函数全微分里z对x、y求的那个偏导。全微分dz所在的z轴是向上的,而梯度下降需要向下,所......
  • Pytorch实践学习笔记一(附可运行详细代码实例)
    一、Pytorch的诞生        2017年1月,FAIR(FacebookAIResearch)发布了PyTorch。PyTorch是在Torch基础上用python语言重新打造的一款深度学习框架。Torch是采用Lua语言为接口的机器学习框架,但是因为Lua语言较为小众,导致Torch学习成本高,因此知名度不高。......
  • 浅浅了解一下图像分割(pytorch框架)
    1、图像分割是什么         图像分割分类是对图像中属于特定类别的像素进行分类的过程,因此图像分割可以认为是按像素进行分类的问题。        传统的图像分割算法均是基于灰度值的不连续和相似的性质。而基于深度学习的图像分割技术则是利用卷积神经网络,......
  • 机器学习 - PyTorch里的aggregation
    在PyTorch里,可以在tensor里找到min,max,mean,sum等aggregation值。直接上代码importtorchx=torch.arange(0,100,10)print(x)print(f"Minimum:{x.min()}")print(f"Minimum:{torch.min(x)}")print(f"Maximum:{x.max()}")print(f"Maxi......
  • pytorch CV入门 - 汇总
    初次编辑:2024/2/14;最后编辑:2024/3/9参考网站-微软教程:https://learn.microsoft.com/en-us/training/modules/intro-computer-vision-pytorch更多的内容可以参考本作者其他专栏:Pytorch基础:https://blog.csdn.net/qq_33345365/category_12591348.htmlPytorchNLP基础:https......
  • Pytorch基础-汇总
    本教程翻译自微软教程:https://learn.microsoft.com/en-us/training/paths/pytorch-fundamentals/初次编辑:2024/3/1;最后编辑:2024/3/4本教程包含以下内容:介绍pytorch基础和张量操作介绍数据集介绍归一化介绍构建模型层的基本操作介绍自动微分相关知识介绍优化循环(optimiz......
  • pytorch使用pytorch_wavelets包错误:ValueError: step must be greater than zero 错误
    错误描述在使用pytorch_wavelets包的DWT1DInverse时,发现报错信息如下:Traceback(mostrecentcalllast):File"/work/GDN/test/test_DWT.py",line24,inx_=idwt((YL,YH))File"/opt/conda/lib/python3.6/site-packages/torch/nn/modules/module.py",line550......
  • 机器学习 - PyTorch一些常用的用法
    如果我们要创建2维随机数importtorchrandom_tensor=torch.rand(size=(3,4))print(random_tensor)#输出tensor([[0.0137,0.7773,0.0150,0.2406],[0.6414,0.7830,0.7603,0.1866],[0.8157,0.8269,0.0438,0.0314]])有时候需要通过加......
  • Pytorch——AutoTokenizer载入本地tokenizer权重
    由于众所周知的原因,国内很难使用huggingface去下载权重,但现在的大模型的权重以及相关的分词器配置都放在huggingface的仓库中。当我们使用 AutoTokenizer.from_pretrained 去载入相关分词器和模型时,会访问huggingface自动下载模型。但随着大模型的发布,很多模型的tokenizer都......
  • PyTorch学习笔记(七)
    5.基本数学运算5.1torch.add()函数torch.add()是PyTorch中的一个函数,用于执行逐元素的加法操作。这个函数可以接受多个张量(tensors)作为输入,并返回一个新的张量,其中每个元素都是输入张量对应元素之和。函数的基本语法如下:torch.add(input,alpha=1,other,out=None......