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.
# 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.
# 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.
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])
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.
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.
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.
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.
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
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
visualize_model(model_ft)
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.
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.
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
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
visualize_model(model_conv)
plt.ioff()
plt.show()
Total running time of the script: ( 1 minutes 40.835 seconds)