标签：ResNet18 loss 训练 模型 self transforms model 迁移
文章目录
一、迁移学习的简单介绍
1.迁移学习是什么？
- 迁移学习是指利用已经训练好的模型，在新的任务上进行微调。
- 迁移学习可以加快模型训练速度，提高模型性能，并且在数据稀缺的情况下也能很好地工作。
2.迁移学习的步骤
- （1） 选择预训练的模型和适当的层：通常，我们会选择在大规模图像数据集（如ImageNet）上预训练的模型，如VGG、ResNet等。然后，根据新数据集的特点，选择需要微调的模型层。对于低级特征的任务（如边缘检测），最好使用浅层模型的层，而对于高级特征的任务（如分类），则应选择更深层次的模型。
- （2） 冻结预训练模型的参数：保持预训练模型的权重不变，只训练新增加的层或者微调一些层，避免因为在数据集中过拟合导致预训练模型过度拟合。
- （3） 在新数据集上训练新增加的层：在冻结预训练模型的参数情况下，训练新增加的层。这样，可以使新模型适应新的任务，从而获得更高的性能。
- （4） 微调预训练模型的层：在新层上进行训练后，可以解冻一些已经训练过的层，并且将它们作为微调的目标。这样做可以提高模型在新数据集上的性能。
- （5） 评估和测试：在训练完成之后，使用测试集对模型进行评估。如果模型的性能仍然不够好，可以尝试调整超参数或者更改微调层。
二、数据集介绍
- 下图是数据集的结构
- 在 food_dataset2 文件夹下含有训练数据和测试数据
- 训练集和测试集数据中都含有 20 种食物图片，数量在200~400不等
- trainda.txt 和 testda.txt 文本中存放了每张图片的路径及标签，用 0~19 这20个数字分别对20种食物进行标签
- 在代码中通过trainda.txt 和 testda.txt 文本中的内容来获取每张图片及对应的标签
- 下面是trainda.txt文本中的部分内容（testda.txt 中的内容格式相同）
- 送福利！！！ 私信送此数据集 ！！！
三、代码实现
1. 步骤
- 1.调用resnet18模型，并保存需要训练的模型参数
- 2.定义一个图像预处理和数据增强字典
- 3.定义获取每张食物图片和标签的类方法
- 4.获取训练集和测试集数据
- 5.对数据集进行打包
- 6.调用交叉熵损失函数并创建优化器
- 7.定义训练模型的函数
- 8.定义测试模型的函数
- 9.训练模型，并每训练一轮测试一次
2.所用到方法介绍的文章链接
- ResNet 残差网络神经网络
- 数据增强
- 调整学习率
3. 完整代码
import torch
import torchvision.models as models # 导入存有各种深度学习模型的模块
from torch import nn # 导入神经网络模块
from torch.utils.data import Dataset, DataLoader # Dataset： 抽象类，一种用于获取数据的方法 DataLoader：数据包管理工具，打包数据
from torchvision import transforms # transforms模块提供了一系列用于图像预处理和数据增强的函数和类
from PIL import Image # 用于处理图片
import numpy as np
""" 调用resnet18模型 """
resnet_model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT)
for param in resnet_model.parameters():
param.requires_grad = False
# 模型所有参数(即权重和偏差)的 requires_grad 属性设置成 False，从而冻结所有模型参数
# 使得在反向传播过程中不会计算他们的梯度，从此减少模型的计算量，提高推理速度
in_features = resnet_model.fc.in_features # 获取resnet18模型全连接层原输入的特征个数
resnet_model.fc = nn.Linear(in_features, 20) # 创建一个全连接层输入特征个数为： in_features 输出特征个数为：数据集中事务的种类数量
params_to_update = [] # 保存需要训练的参数，仅仅包含全连接层的参数
for param in resnet_model.parameters():
if param.requires_grad == True:
params_to_update.append(param)
""" 图像预处理和数据增强 """
data_transforms = {
'train':
transforms.Compose([
transforms.Resize([300, 300]),
transforms.RandomRotation(45), # 随机旋转，-45到45度之间随机
transforms.CenterCrop(224), # 中心裁剪
transforms.RandomHorizontalFlip(p=0.5), # 随机水平反转 选择一个概率
transforms.RandomVerticalFlip(p=0.5), # 随机垂直翻转
# transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1), # 亮度、对比度
transforms.RandomGrayscale(p=0.1), # 概率转换成灰度率，3通道就是R G B
transforms.ToTensor(), # 转化为神经网络可以识别的 Tensor 类型
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) # 对图片数据进行归一化，[均值]，[标准差]
]),
'valid':
transforms.Compose([
transforms.Resize([224, 224]),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
}
""" 定义获取每张食物图片和标签的类方法 """
class food_dataset(Dataset):
def __init__(self, file_path, transform=None):
self.file_path = file_path
self.imgs = []
self.labels = []
self.transform = transform
with open(self.file_path) as f:
samples = [x.strip().split(' ') for x in f.readlines()]
for img_path, label in samples:
self.imgs.append(img_path)
self.labels.append(label)
def __len__(self):
return len(self.imgs)
def __getitem__(self, idx):
image = Image.open(self.imgs[idx])
if self.transform:
image = self.transform(image)
label = self.labels[idx]
label = torch.from_numpy(np.array(label, dtype=np.int64))
return image, label
""" 获取训练集和测试集数据 """
training_data = food_dataset(file_path='trainda.txt', transform=data_transforms['train'])
test_data = food_dataset(file_path='testda.txt', transform=data_transforms['valid'])
""" 对数据集进行打包 """
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True) # 64张图片为一个包，shuffle --> 打乱顺序
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
""" 判断当前设备是否支持GPU，其中mps是苹果m系列芯片的GPU """
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using {device} device")
# 把模型传入到 gpu 或 cpu
model = resnet_model.to(device)
""" 调用交叉熵损失函数 """
loss_fn = nn.CrossEntropyLoss()
"""" 创建优化器并调整优化器中的学习率--> lr """
optimizer = torch.optim.Adam(params_to_update, lr=0.001)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.5)
""" 定义训练模型的函数 """
def train(dataloader, model, loss_fn, optimizer):
model.train() # 告诉模型，开始训练
# pytorch提供2种方式来切换训练和测试的模式，分别是:model.train()和 model.eval()。
# 一般用法是:在训练开始之前写上model.trian()，在测试时写上model.
for X, y in dataloader:
X, y = X.to(device), y.to(device) # 把训练数据集和标签传入cpu或gpu
pred = model.forward(X) # .forward可以被省略，父类中已经对次功能进行了设置。自动初始化w权值
loss = loss_fn(pred, y) # 通过交叉熵损失函数计算损失值 loss
optimizer.zero_grad() # 梯度值清零
loss.backward() # 反向传播计算得到每个参数的梯度值w
optimizer.step() # 根据梯度更新网络w参数
""" 定义测试模型的函数 """
best_acc = 0 # 用于更新准确率
def test(dataloader, model, loss_fn):
global best_acc
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval() # 测试，w就不能再更新
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model.forward(X)
test_loss += loss_fn(pred, y).item() # test_loss是会自动累加每一个批次的损失值
correct += (pred.argmax(1) == y).type(torch.float).sum().item() # correct是会自动累加每一个批次的正确率
test_loss /= num_batches # 平均的损失值
correct /= size # 平均的正确率
print(f"Test result: \n Accuracy: {(100 * correct)}%, Avg loss: {test_loss}")
# 找到最好的准确率
if correct > best_acc:
best_acc = correct
""" 定义模型训练的轮数，并每训练一轮测试一次 """
epochs = 30
for e in range(epochs):
print(f"Epoch {e + 1}\n---------------------------")
train(train_dataloader, model, loss_fn, optimizer)
scheduler.step() # 在每个epoch的训练中，使用scheduler.step()语句进行学习率更新
test(test_dataloader, model, loss_fn)
print('最优的训练结果为：', best_acc)
- 结果如下
- 此结果只是训练了30轮后的结果，可以训练更多轮，最后的准确率还会有所提高
标签：ResNet18,
loss,
训练,
模型,
self,
transforms,
model,
迁移
From： https://blog.csdn.net/weixin_73504499/article/details/142621593