持续创造,加快成长!这是我参加「日新计划 10 月更文挑战」的第25天,点击检查活动详情
摘要
Swin Transformer v2解决了大型视觉模型练习和运用中的三个首要问题,包括练习不稳定性、预练习和微调之间的分辨率距离以及对符号数据的巴望。提出了三种首要技能:
- 1)残差后范数办法结合余弦留意进步练习稳定性;
- 2)一种对数空间连续方位偏差办法,可有效地将运用低分辨率图画预练习的模型转移到具有高分辨率输入的下流使命;
- 3)一种自我监督的预练习办法 SimMIM,以减少对很多符号图画的需求。
我这篇文章首要解说怎么运用Swin Transformer V2完结图画分类使命,接下来咱们一起完结项目的实战。本例选用的模型是swinv2_tiny_windows8_256,在植物幼苗数据集上完成了96.9%的准确率。 论文链接:arxiv.org/pdf/2111.09… 论文翻译:wanghao.blog.csdn.net/article/det…
经过这篇文章能让你学到:
- 怎么运用数据增强,包括transforms的增强、CutOut、MixUp、CutMix等增强手法?
- 怎么完成Swin Transformer V2模型完成练习?
- 怎么运用pytorch自带混合精度?
- 怎么运用梯度裁剪防止梯度爆炸?
- 怎么运用DP多显卡练习?
- 怎么绘制loss和acc曲线?
- 怎么生成val的测评陈述?
- 怎么编写测验脚本测验测验集?
- 怎么运用余弦退火战略调整学习率?
- 怎么运用AverageMeter类核算ACC和loss等自界说变量?
- 怎么了解和核算ACC1和ACC5?
- 怎么运用EMA?
装置包
装置timm
运用pip就行,命令:
pip install timm
数据增强Cutout和Mixup
为了进步成绩我在代码中加入Cutout和Mixup这两种增强方法。完成这两种增强需求装置torchtoolbox。装置命令:
pip install torchtoolbox
Cutout完成,在transforms中。
from torchtoolbox.transform import Cutout
# 数据预处理
transform = transforms.Compose([
transforms.Resize((224, 224)),
Cutout(),
transforms.ToTensor(),
transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])
需求导入包:from timm.data.mixup import Mixup,
界说Mixup,和SoftTargetCrossEntropy
mixup_fn = Mixup(
mixup_alpha=0.8, cutmix_alpha=1.0, cutmix_minmax=None,
prob=0.1, switch_prob=0.5, mode='batch',
label_smoothing=0.1, num_classes=12)
criterion_train = SoftTargetCrossEntropy()
参数详解:
mixup_alpha (float): mixup alpha 值,假如 > 0,则 mixup 处于活动状况。
cutmix_alpha (float):cutmix alpha 值,假如 > 0,cutmix 处于活动状况。
cutmix_minmax (List[float]):cutmix 最小/最大图画比率,cutmix 处于活动状况,假如不是 None,则运用这个 vs alpha。
假如设置了 cutmix_minmax 则cutmix_alpha 默许为1.0
prob (float): 每批次或元素运用 mixup 或 cutmix 的概率。
switch_prob (float): 当两者都处于活动状况时切换cutmix 和mixup 的概率 。
mode (str): 怎么运用 mixup/cutmix 参数(每个’batch’,’pair’(元素对),’elem’(元素)。
correct_lam (bool): 当 cutmix bbox 被图画边框剪裁时运用。 lambda 校正
label_smoothing (float):将标签滑润运用于混合方针张量。
num_classes (int): 方针的类数。
EMA
EMA(Exponential Moving Average)是指数移动平均值。在深度学习中的做法是保存前史的一份参数,在必定练习阶段后,拿前史的参数给现在学习的参数做一次滑润。详细完成如下:
class EMA():
def __init__(self, model, decay):
self.model = model
self.decay = decay
self.shadow = {}
self.backup = {}
def register(self):
for name, param in self.model.named_parameters():
if param.requires_grad:
self.shadow[name] = param.data.clone()
def update(self):
for name, param in self.model.named_parameters():
if param.requires_grad:
assert name in self.shadow
new_average = (1.0 - self.decay) * param.data + self.decay * self.shadow[name]
self.shadow[name] = new_average.clone()
def apply_shadow(self):
for name, param in self.model.named_parameters():
if param.requires_grad:
assert name in self.shadow
self.backup[name] = param.data
param.data = self.shadow[name]
def restore(self):
for name, param in self.model.named_parameters():
if param.requires_grad:
assert name in self.backup
param.data = self.backup[name]
self.backup = {}
加入到模型中。
# 初始化
ema = EMA(model, 0.999)
ema.register()
# 练习过程中,更新完参数后,同步update shadow weights
def train():
optimizer.step()
ema.update()
# eval前,apply shadow weights;eval之后,恢复本来模型的参数
def evaluate():
ema.apply_shadow()
# evaluate
ema.restore()
这个ema最好放在微调的时分运用,不然验证集不上分,或者上分很慢。
项目结构
SwinV2_demo
├─data1
│ ├─Black-grass
│ ├─Charlock
│ ├─Cleavers
│ ├─Common Chickweed
│ ├─Common wheat
│ ├─Fat Hen
│ ├─Loose Silky-bent
│ ├─Maize
│ ├─Scentless Mayweed
│ ├─Shepherds Purse
│ ├─Small-flowered Cranesbill
│ └─Sugar beet
├─mean_std.py
├─makedata.py
├─ema.py
├─train.py
└─test.py
mean_std.py:核算mean和std的值。 makedata.py:生成数据集。 ema.py:EMA脚本
为了能在DP方法中运用混合精度,还需求在模型的forward函数前增加@autocast()。
核算mean和std
为了使模型愈加快速的收敛,咱们需求核算出mean和std的值,新建mean_std.py,刺进代码:
from torchvision.datasets import ImageFolder
import torch
from torchvision import transforms
def get_mean_and_std(train_data):
train_loader = torch.utils.data.DataLoader(
train_data, batch_size=1, shuffle=False, num_workers=0,
pin_memory=True)
mean = torch.zeros(3)
std = torch.zeros(3)
for X, _ in train_loader:
for d in range(3):
mean[d] += X[:, d, :, :].mean()
std[d] += X[:, d, :, :].std()
mean.div_(len(train_data))
std.div_(len(train_data))
return list(mean.numpy()), list(std.numpy())
if __name__ == '__main__':
train_dataset = ImageFolder(root=r'data1', transform=transforms.ToTensor())
print(get_mean_and_std(train_dataset))
数据集结构:
运行成果:
([0.3281186, 0.28937867, 0.20702125], [0.09407319, 0.09732835, 0.106712654])
把这个成果记录下来,后面要用!
生成数据集
咱们整理还的图画分类的数据集结构是这样的
data
├─Black-grass
├─Charlock
├─Cleavers
├─Common Chickweed
├─Common wheat
├─Fat Hen
├─Loose Silky-bent
├─Maize
├─Scentless Mayweed
├─Shepherds Purse
├─Small-flowered Cranesbill
└─Sugar beet
pytorch和keras默许加载方法是ImageNet数据集格局,格局是
├─data
│ ├─val
│ │ ├─Black-grass
│ │ ├─Charlock
│ │ ├─Cleavers
│ │ ├─Common Chickweed
│ │ ├─Common wheat
│ │ ├─Fat Hen
│ │ ├─Loose Silky-bent
│ │ ├─Maize
│ │ ├─Scentless Mayweed
│ │ ├─Shepherds Purse
│ │ ├─Small-flowered Cranesbill
│ │ └─Sugar beet
│ └─train
│ ├─Black-grass
│ ├─Charlock
│ ├─Cleavers
│ ├─Common Chickweed
│ ├─Common wheat
│ ├─Fat Hen
│ ├─Loose Silky-bent
│ ├─Maize
│ ├─Scentless Mayweed
│ ├─Shepherds Purse
│ ├─Small-flowered Cranesbill
│ └─Sugar beet
新增格局转化脚本makedata.py,刺进代码:
import glob
import os
import shutil
image_list=glob.glob('data1/*/*.png')
print(image_list)
file_dir='data'
if os.path.exists(file_dir):
print('true')
#os.rmdir(file_dir)
shutil.rmtree(file_dir)#删除再树立
os.makedirs(file_dir)
else:
os.makedirs(file_dir)
from sklearn.model_selection import train_test_split
trainval_files, val_files = train_test_split(image_list, test_size=0.3, random_state=42)
train_dir='train'
val_dir='val'
train_root=os.path.join(file_dir,train_dir)
val_root=os.path.join(file_dir,val_dir)
for file in trainval_files:
file_class=file.replace("\\","/").split('/')[-2]
file_name=file.replace("\\","/").split('/')[-1]
file_class=os.path.join(train_root,file_class)
if not os.path.isdir(file_class):
os.makedirs(file_class)
shutil.copy(file, file_class + '/' + file_name)
for file in val_files:
file_class=file.replace("\\","/").split('/')[-2]
file_name=file.replace("\\","/").split('/')[-1]
file_class=os.path.join(val_root,file_class)
if not os.path.isdir(file_class):
os.makedirs(file_class)
shutil.copy(file, file_class + '/' + file_name)
完结上面的内容就可以敞开练习和测验了。