.. _sphx_glr_beginner_transfer_learning_tutorial.py: 전이학습(Transfer Learning) 튜토리얼 ==================================== **Author**: `Sasank Chilamkurthy `_ **번역**: `박정환 `_ 이 튜토리얼에서는 전이학습(Transfer Learning)을 이용하여 신경망을 어떻게 학습시키는지 배워보겠습니다. 전이학습에 대해서 더 알아보시려면 `CS231n 노트 `__ 를 읽어보시면 좋습니다. 위 노트를 인용해보면, 실제로 충분한 크기의 데이터셋을 갖추기는 상대적으로 드물기 때문에, (무작위 초기화를 통해) 바닥부터(from scratch) 전체 합성곱 신경망(Convolutional Network)를 학습하는 사람은 거의 없습니다. 대신, 매우 큰 데이터셋(예. 100가지 분류(Category)에 대해 120만개의 이미지가 포함된 ImageNet)에서 합성곱 신경망(ConvNet)을 미리 학습(Pretrain)한 후, 이 합성곱 신경망을 관심있는 작업 (task of interest)을 위한 초기화(initialization) 또는 고정 특징 추출기(fixed feature extractor)로 사용합니다. 이러한 2가지의 주요한 전이학습 시나리오는 다음과 같습니다: - **합성곱 신경망의 미세조정(Finetuning)**: 무작위 초기화 대신, 신경망을 ImageNet 1000 데이터셋 등으로 미리 학습한 신경망으로 초기화합니다. 학습의 나머지 과정들은 평상시와 같습니다. - **고정 특정 추출기로써의 합성곱 신경망**: 여기서는 마지막의 완전히 연결 (Fully-connected)된 계층을 제외한 모든 신경망의 가중치를 고정합니다. 이 마지막의 완전히 연결된 계층은 새로운 무작위의 가중치를 갖는 계층으로 대체되어 이 계층만 학습합니다. .. code-block:: python # License: BSD # Author: Sasank Chilamkurthy from __future__ import print_function, division import torch import torch.nn as nn import torch.optim as optim from torch.optim import lr_scheduler from torch.autograd import Variable import numpy as np import torchvision from torchvision import datasets, models, transforms import matplotlib.pyplot as plt import time import os import copy plt.ion() # interactive mode 데이터 불러오기 --------------- 데이터를 불러오기 위해 torchvision과 torch.utils.data 패키지를 사용하겠습니다. 오늘 풀고자 하는 문제는 **개미** 와 **벌** 을 분류하는 모델을 학습하는 것입니다. 각각의 분류에는 75개의 검증용 이미지(validation image)가 있습니다. 일반적으로, 만약 바닥부터 학습을 한다면, 이는 일반화하기에는 아주 작은 데이터셋입니다. 하지만 전이학습을 사용할 것이므로, 합리적으로 잘 일반화해 할 수 있습니다. 이 데이터셋은 ImageNet의 아주 작은 부분(Subset)입니다. .. Note :: 데이터를 `여기 `_ 에서 다운로드 받아 현재 디렉토리에 압축을 푸십시오. .. code-block:: python # 학습을 위한 데이터 증가(Augmentation)와 일반화하기 # 단지 검증을 위한 일반화하기 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]) ]), } data_dir = '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'].classes use_gpu = torch.cuda.is_available() 일부 이미지 시각화하기 ^^^^^^^^^^^^^^^^^^^^^^^^^ 데이터 증가를 이해하기 위해 일부 학습용 이미지를 시각화해보겠습니다. .. code-block:: python def imshow(inp, title=None): """Imshow for Tensor.""" 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]) inp = std * inp + mean inp = 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 # Get a batch of training data 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]) .. image:: /beginner/images/sphx_glr_transfer_learning_tutorial_001.png :align: center 모델 학습하기 -------------- 이제 모델을 학습하기 위한 일반 함수를 작성해보겠습니다. 여기서는 다음 내용들을 설명합니다: - Learning Rate 관리(Scheduling) - 최적의 모델 구하기 아래에서 ``scheduler`` 매개변수는 ``torch.optim.lr_scheduler`` 의 LR Scheduler 객체(Object)입니다. .. code-block:: python def train_model(model, criterion, optimizer, scheduler, num_epochs=25): since = time.time() best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0.0 for epoch in range(num_epochs): print('Epoch {}/{}'.format(epoch, num_epochs - 1)) print('-' * 10) # Each epoch has a training and validation phase for phase in ['train', 'val']: if phase == 'train': scheduler.step() model.train(True) # Set model to training mode else: model.train(False) # Set model to evaluate mode running_loss = 0.0 running_corrects = 0 # Iterate over data. for data in dataloaders[phase]: # get the inputs inputs, labels = data # wrap them in Variable if use_gpu: inputs = Variable(inputs.cuda()) labels = Variable(labels.cuda()) else: inputs, labels = Variable(inputs), Variable(labels) # zero the parameter gradients optimizer.zero_grad() # forward outputs = model(inputs) _, preds = torch.max(outputs.data, 1) loss = criterion(outputs, labels) # backward + optimize only if in training phase if phase == 'train': loss.backward() optimizer.step() # statistics running_loss += loss.data[0] * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / dataset_sizes[phase] epoch_acc = running_corrects / dataset_sizes[phase] print('{} Loss: {:.4f} Acc: {:.4f}'.format( phase, epoch_loss, epoch_acc)) # deep copy the model if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc best_model_wts = copy.deepcopy(model.state_dict()) print() time_elapsed = time.time() - since print('Training complete in {:.0f}m {:.0f}s'.format( time_elapsed // 60, time_elapsed % 60)) print('Best val Acc: {:4f}'.format(best_acc)) # load best model weights model.load_state_dict(best_model_wts) return model 모델 예측값 시각화하기 ^^^^^^^^^^^^^^^^^^^^^^^ 일부 이미지에 대한 예측값을 보여주는 일반화된(Generic) 함수입니다. .. code-block:: python def visualize_model(model, num_images=6): was_training = model.training model.eval() images_so_far = 0 fig = plt.figure() for i, data in enumerate(dataloaders['val']): inputs, labels = data if use_gpu: inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda()) else: inputs, labels = Variable(inputs), Variable(labels) outputs = model(inputs) _, preds = torch.max(outputs.data, 1) for j in range(inputs.size()[0]): images_so_far += 1 ax = 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) return model.train(mode=was_training) 합성곱 신경망 미세조정(Finetuning) ---------------------------------- 미리 학습한 모델을 불러온 후 마지막의 완전히 연결된 계층을 재설정(reset)합니다. .. code-block:: python model_ft = models.resnet18(pretrained=True) num_ftrs = model_ft.fc.in_features model_ft.fc = nn.Linear(num_ftrs, 2) if use_gpu: model_ft = model_ft.cuda() criterion = nn.CrossEntropyLoss() # Observe that all parameters are being optimized optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9) # Decay LR by a factor of 0.1 every 7 epochs exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1) 학습 및 평가하기 ^^^^^^^^^^^^^^^^^^ CPU에서 15-25분 가량 소요될 것입니다. 그래도 GPU에서는 1분도 걸리지 않습니다. .. code-block:: python model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler, num_epochs=25) .. rst-class:: sphx-glr-script-out Out:: Epoch 0/24 ---------- train Loss: 0.6272 Acc: 0.6885 val Loss: 0.1921 Acc: 0.9542 Epoch 1/24 ---------- train Loss: 0.3979 Acc: 0.8156 val Loss: 0.6890 Acc: 0.7386 Epoch 2/24 ---------- train Loss: 0.5850 Acc: 0.7500 val Loss: 0.3951 Acc: 0.8562 Epoch 3/24 ---------- train Loss: 0.5357 Acc: 0.7828 val Loss: 0.2871 Acc: 0.8693 Epoch 4/24 ---------- train Loss: 0.4436 Acc: 0.8320 val Loss: 0.2611 Acc: 0.8954 Epoch 5/24 ---------- train Loss: 0.5635 Acc: 0.7992 val Loss: 0.2516 Acc: 0.9150 Epoch 6/24 ---------- train Loss: 0.5773 Acc: 0.8238 val Loss: 0.2452 Acc: 0.9020 Epoch 7/24 ---------- train Loss: 0.3433 Acc: 0.8484 val Loss: 0.2052 Acc: 0.9216 Epoch 8/24 ---------- train Loss: 0.3603 Acc: 0.8648 val Loss: 0.2373 Acc: 0.8954 Epoch 9/24 ---------- train Loss: 0.3401 Acc: 0.8484 val Loss: 0.1933 Acc: 0.9412 Epoch 10/24 ---------- train Loss: 0.3299 Acc: 0.8361 val Loss: 0.2026 Acc: 0.9150 Epoch 11/24 ---------- train Loss: 0.2834 Acc: 0.8607 val Loss: 0.1894 Acc: 0.9477 Epoch 12/24 ---------- train Loss: 0.3472 Acc: 0.8566 val Loss: 0.1884 Acc: 0.9412 Epoch 13/24 ---------- train Loss: 0.3326 Acc: 0.8402 val Loss: 0.1926 Acc: 0.9281 Epoch 14/24 ---------- train Loss: 0.2453 Acc: 0.8893 val Loss: 0.2030 Acc: 0.9150 Epoch 15/24 ---------- train Loss: 0.3791 Acc: 0.8566 val Loss: 0.2020 Acc: 0.9412 Epoch 16/24 ---------- train Loss: 0.2361 Acc: 0.9016 val Loss: 0.1844 Acc: 0.9412 Epoch 17/24 ---------- train Loss: 0.2922 Acc: 0.8730 val Loss: 0.1884 Acc: 0.9477 Epoch 18/24 ---------- train Loss: 0.2757 Acc: 0.8934 val Loss: 0.1952 Acc: 0.9346 Epoch 19/24 ---------- train Loss: 0.2257 Acc: 0.9139 val Loss: 0.2104 Acc: 0.9346 Epoch 20/24 ---------- train Loss: 0.2753 Acc: 0.8852 val Loss: 0.1887 Acc: 0.9412 Epoch 21/24 ---------- train Loss: 0.2264 Acc: 0.9139 val Loss: 0.1926 Acc: 0.9346 Epoch 22/24 ---------- train Loss: 0.2769 Acc: 0.8648 val Loss: 0.1947 Acc: 0.9216 Epoch 23/24 ---------- train Loss: 0.2455 Acc: 0.8811 val Loss: 0.1906 Acc: 0.9346 Epoch 24/24 ---------- train Loss: 0.2257 Acc: 0.9139 val Loss: 0.2009 Acc: 0.9150 Training complete in 0m 57s Best val Acc: 0.954248 .. code-block:: python visualize_model(model_ft) .. image:: /beginner/images/sphx_glr_transfer_learning_tutorial_002.png :align: center 고정 특정 추출기로써의 합성곱 신경망 ------------------------------------- 이제, 마지막 계층을 제외한 모든 신경망을 고정(freeze)할 필요가 있습니다. ``requires_grad == False`` 를 설정하여 매개변수를 고정하여 ``backward()`` 에서 경사도(gradient)가 계산되지 않도록 해야합니다. 이 부분에 대한 문서는 `여기 `__ 에서 확인할 수 있습니다. .. code-block:: python model_conv = torchvision.models.resnet18(pretrained=True) for param in model_conv.parameters(): param.requires_grad = False # Parameters of newly constructed modules have requires_grad=True by default num_ftrs = model_conv.fc.in_features model_conv.fc = nn.Linear(num_ftrs, 2) if use_gpu: model_conv = model_conv.cuda() criterion = nn.CrossEntropyLoss() # Observe that only parameters of final layer are being optimized as # opoosed to before. optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9) # Decay LR by a factor of 0.1 every 7 epochs exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1) 학습 및 평가하기 ^^^^^^^^^^^^^^^^^ CPU에서 실행하는 경우 이전 시나리오와 비교했을 때 약 절반 가량의 시간이 소요됩니다. 이는 대부분의 신경망에서 경사도를 계산할 필요가 없을 것으로 기대합니다. 하지만, 순전파(forward)는 계산해야 할 필요가 있습니다. .. code-block:: python model_conv = train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler, num_epochs=25) .. rst-class:: sphx-glr-script-out Out:: Epoch 0/24 ---------- train Loss: 0.5384 Acc: 0.6844 val Loss: 0.2635 Acc: 0.8824 Epoch 1/24 ---------- train Loss: 0.5950 Acc: 0.6803 val Loss: 0.5317 Acc: 0.7647 Epoch 2/24 ---------- train Loss: 0.5630 Acc: 0.7746 val Loss: 0.2115 Acc: 0.9216 Epoch 3/24 ---------- train Loss: 0.5791 Acc: 0.8115 val Loss: 0.7466 Acc: 0.7712 Epoch 4/24 ---------- train Loss: 0.6692 Acc: 0.7500 val Loss: 0.1704 Acc: 0.9542 Epoch 5/24 ---------- train Loss: 0.3669 Acc: 0.8320 val Loss: 0.2060 Acc: 0.9412 Epoch 6/24 ---------- train Loss: 0.4078 Acc: 0.8361 val Loss: 0.2486 Acc: 0.9216 Epoch 7/24 ---------- train Loss: 0.3547 Acc: 0.8197 val Loss: 0.1778 Acc: 0.9542 Epoch 8/24 ---------- train Loss: 0.3528 Acc: 0.8320 val Loss: 0.1694 Acc: 0.9608 Epoch 9/24 ---------- train Loss: 0.3493 Acc: 0.8279 val Loss: 0.1691 Acc: 0.9542 Epoch 10/24 ---------- train Loss: 0.3419 Acc: 0.8770 val Loss: 0.1732 Acc: 0.9542 Epoch 11/24 ---------- train Loss: 0.3287 Acc: 0.8689 val Loss: 0.1595 Acc: 0.9608 Epoch 12/24 ---------- train Loss: 0.2734 Acc: 0.8893 val Loss: 0.1632 Acc: 0.9477 Epoch 13/24 ---------- train Loss: 0.3128 Acc: 0.8730 val Loss: 0.1801 Acc: 0.9477 Epoch 14/24 ---------- train Loss: 0.3725 Acc: 0.8279 val Loss: 0.1827 Acc: 0.9542 Epoch 15/24 ---------- train Loss: 0.4678 Acc: 0.7787 val Loss: 0.1695 Acc: 0.9542 Epoch 16/24 ---------- train Loss: 0.2850 Acc: 0.8893 val Loss: 0.1892 Acc: 0.9412 Epoch 17/24 ---------- train Loss: 0.3192 Acc: 0.8607 val Loss: 0.1832 Acc: 0.9477 Epoch 18/24 ---------- train Loss: 0.3384 Acc: 0.8566 val Loss: 0.1773 Acc: 0.9608 Epoch 19/24 ---------- train Loss: 0.3195 Acc: 0.8648 val Loss: 0.1676 Acc: 0.9477 Epoch 20/24 ---------- train Loss: 0.2904 Acc: 0.8689 val Loss: 0.1629 Acc: 0.9608 Epoch 21/24 ---------- train Loss: 0.3411 Acc: 0.8320 val Loss: 0.1977 Acc: 0.9477 Epoch 22/24 ---------- train Loss: 0.3421 Acc: 0.8648 val Loss: 0.1667 Acc: 0.9608 Epoch 23/24 ---------- train Loss: 0.3008 Acc: 0.8689 val Loss: 0.1881 Acc: 0.9608 Epoch 24/24 ---------- train Loss: 0.3302 Acc: 0.8811 val Loss: 0.1742 Acc: 0.9477 Training complete in 0m 37s Best val Acc: 0.960784 .. code-block:: python visualize_model(model_conv) plt.ioff() plt.show() .. image:: /beginner/images/sphx_glr_transfer_learning_tutorial_003.png :align: center **Total running time of the script:** ( 1 minutes 40.835 seconds) .. only :: html .. container:: sphx-glr-footer .. container:: sphx-glr-download :download:`Download Python source code: transfer_learning_tutorial.py ` .. container:: sphx-glr-download :download:`Download Jupyter notebook: transfer_learning_tutorial.ipynb ` .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_