第5周学习：ShuffleNet & EfficientNet & 迁移学习

目录

Part1 视频学习

ShuffleNet V1 & V2

EfficientNet网络：

Transformer里的 multi-head self-attention

Part2 代码阅读

ShuffleNet V2网络

EfficientNet 网络

使用vgg进行猫狗大战

AI艺术鉴赏挑战赛

---

Part1 视频学习

ShuffleNet V1 & V2

• V1中提出了channel shuffle：组卷积虽然能够减少参数与计算量，但单纯的堆叠会导致不同组之间信息没有交流。Channel shuffle 提出了经过一次组卷积（i个组）后，将每个组内部各自分为i组，每个组的第j小组放在一起，形成新的i个组，从而实现组与组之间的信息交流

• V1中用到的block

• V1网络结构（多数用到g=3）stage代表着将步距为stride的repeat个block相堆叠，在bottleneck中前两层通道数为输出特征矩阵通道数的1/4。（由于图像输入时通道数比较小，所以在stage2的第一个步距为2的block中，第一层没有使用组卷积，用的是1*1的普通卷积）

bottleneck：

• 计算量对比（input size=c*h*w；bottleneck channel m）理论上最小

• V2：由于计算复杂度不能只看FLOPs，提出了4条设计高效网络准则，由此提出了新的block设计
• MAC：内存访问时间成本；并行等级：并行度越高越快；平台：gpu/arm cpu 都会影响最终模型的执行时间
• 准则1：当卷积层的输入特征矩阵与输出特征矩阵的channel相等时MAC最小（保持FLOPs不变）

• 准则2：当组卷积的组数量增大时（保持FLOPs不变），MAC也会增大

• 准则3：网络设计的碎片化（分支个数）程度越高，速度越慢（分支多的时候，快的需要等着慢的，都结束了才能进行下一步）

• 准则4：element wise操作带来的影响是不可忽视的
• 总结：使用平衡的卷积，输入输出channel比值尽可能=1；不能一味的增大group数；降低网络的碎片程度；尽可能减少使用element wise操作
• V2中用到的block：对步长为1的情况，channel split会将输入的channel划分为c'和c-c'一部分为捷径分支，另一部分为主分支；为了减少碎片化程度左分支不做处理；为了减少groups所有组卷积还原为1*1卷积；通过concat拼接使输入输出特征矩阵相同；ab为V1，cd为V2

• V2网络：添加了一个conv5

EfficientNet网络：

（https://blog.csdn.net/qq_37541097/article/details/114434046）

• 这篇论文主要是用NAS（Neural Architecture Search）技术来搜索网络的图像输入分辨率r rr，网络的深度d e p t h depthdepth以及channel的宽度width三个参数的合理化配置。

• 增加网络的深度depth能够得到更加丰富、复杂的特征并且能够很好的应用到其它任务中。但网络的深度过深会面临梯度消失，训练困难的问题。
• 增加网络的width能够获得更高细粒度的特征并且也更容易训练，但对于width很大而深度较浅的网络往往很难学习到更深层次的特征。
• 增加输入网络的图像分辨率能够潜在得获得更高细粒度的特征模板，但对于非常高的输入分辨率，准确率的增益也会减小。并且大分辨率图像会增加计算量。
• 同时增加三者，会得到更好的效果
• EfficientNe-B0

• MBConv：

如图所示，MBConv结构主要由一个1x1的普通卷积（升维作用，包含BN和Swish），一个kxk的Depthwise Conv卷积（包含BN和Swish）k的具体值可看EfficientNet-B0的网络框架主要有3x3和5x5两种情况，一个SE模块，一个1x1的普通卷积（降维作用，包含BN），一个Droupout层构成。搭建过程中还需要注意几点：

• 第一个升维的1x1卷积层，它的卷积核个数是输入特征矩阵channel的n倍，n ∈ { 1 , 6 }
• 当n = 1时，不要第一个升维的1x1卷积层，即Stage2中的MBConv结构都没有第一个升维的1x1卷积层
• 关于shortcut连接，仅当输入MBConv结构的特征矩阵与输出的特征矩阵shape相同时才存在

SE模块如下所示，由一个全局平均池化，两个全连接层组成。第一个全连接层的节点个数是输入该MBConv特征矩阵channels的1/4且使用Swish激活函数。第二个全连接层的节点个数等于Depthwise Conv层输出的特征矩阵channels，且使用Sigmoid激活函数。

• Dropout层的dropout_rate在tensorflow的keras源码中对应的是drop_connect_rate后面会细讲（注意，在源码实现中只有使用shortcut的时候才有Dropout层）。

• B0-B7参数设置：

Transformer里的 multi-head self-attention

（https://blog.youkuaiyun.com/qq_37541097/article/details/117691873）

• 最初针对自然语言处理提出，理论上记忆长度可以无限长，可以做并行化
• 假设输入的序列长度为2，输入就两个节点x 1 , x 2 然后通过Input Embedding也就是图中的f ( x )将输入映射到a 1 , a 2 。紧接着分别将a 1 , a 2  分别通过三个变换矩阵W q , W k , W v  （这三个参数是可训练的，是共享的）得到对应的q i , k i , v i （这里为了方便理解，忽略偏执）。

• 其中

q 代表query，后续会去和每一个k kk进行匹配

k 代表key，后续会被每个q qq匹配

v 代表从a 中提取得到的信息

后续q 和k 匹配的过程可以理解成计算两者的相关性，相关性越大对应v 的权重也就越大

由于它可以并行化，所以qi，ki，vi合并成Q，K，V，进行如下计算：

得到αij

• 将αij进行加权，得到bi：

所以，self-attention总结为

• Multi-Head Attention
• 首先还是和Self-Attention模块一样将a i 分别通过W q , W k , W v  得到对应的q i , k i , v i  ，然后再根据使用的head的数目h 进一步把得到的q i , k i , v i  均分成h份。比如下图中假设h = 2然后q 1拆分成q 1 , 1 和q 1 , 2 那么q 1 , 1 就属于head1，q 1 , 2  属于head2。

• 接着将每个head得到的结果进行concat拼接

• 接着将拼接后的结果通过W0（可学习的参数）进行融合，如下图所示，融合后得到最终的结果b 1 , b 2

• 总结:

Part2 代码阅读

ShuffleNet V2网络

EfficientNet 网络

 使用vgg进行猫狗大战

• 数据处理

import numpy as np
import matplotlib.pyplot as plt
import os
import torch
import torch.nn as nn
import torchvision
from torchvision import models,transforms,datasets
import time
import json


# 判断是否存在GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('Using gpu: %s ' % torch.cuda.is_available())
! wget http://fenggao-image.stor.sinaapp.com/dogscats.zip
! unzip dogscats.zip
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

vgg_format = transforms.Compose([
                transforms.CenterCrop(224),
                transforms.ToTensor(),
                normalize,
            ])

data_dir = './dogscats'

dsets = {x: datasets.ImageFolder(os.path.join(data_dir, x), vgg_format)
         for x in ['train', 'valid']}

dset_sizes = {x: len(dsets[x]) for x in ['train', 'valid']}
dset_classes = dsets['train'].classes
# 通过下面代码可以查看 dsets 的一些属性

print(dsets['train'].classes)
print(dsets['train'].class_to_idx)
print(dsets['train'].imgs[:5])
print('dset_sizes: ', dset_sizes)
loader_train = torch.utils.data.DataLoader(dsets['train'], batch_size=64, shuffle=True, num_workers=6)
loader_valid = torch.utils.data.DataLoader(dsets['valid'], batch_size=5, shuffle=False, num_workers=6)


'''
valid 数据一共有2000张图，每个batch是5张，因此，下面进行遍历一共会输出到 400
同时，把第一个 batch 保存到 inputs_try, labels_try，分别查看
'''
count = 1
for data in loader_valid:
    print(count, end='\n')
    if count == 1:
        inputs_try,labels_try = data
    count +=1

print(labels_try)
print(inputs_try.shape)
# 显示图片的小程序

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 = np.clip(std * inp + mean, 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
# 显示 labels_try 的5张图片，即valid里第一个batch的5张图片
out = torchvision.utils.make_grid(inputs_try)
imshow(out, title=[dset_classes[x] for x in labels_try])

•  创建 VGG Model

!wget https://s3.amazonaws.com/deep-learning-models/image-models/imagenet_class_index.json
model_vgg = models.vgg16(pretrained=True)

with open('./imagenet_class_index.json') as f:
    class_dict = json.load(f)
dic_imagenet = [class_dict[str(i)][1] for i in range(len(class_dict))]

inputs_try , labels_try = inputs_try.to(device), labels_try.to(device)
model_vgg = model_vgg.to(device)

outputs_try = model_vgg(inputs_try)

print(outputs_try)
print(outputs_try.shape)

'''
可以看到结果为5行，1000列的数据，每一列代表对每一种目标识别的结果。
但是我也可以观察到，结果非常奇葩，有负数，有正数，
为了将VGG网络输出的结果转化为对每一类的预测概率，我们把结果输入到 Softmax 函数
'''
m_softm = nn.Softmax(dim=1)
probs = m_softm(outputs_try)
vals_try,pred_try = torch.max(probs,dim=1)

print( 'prob sum: ', torch.sum(probs,1))
print( 'vals_try: ', vals_try)
print( 'pred_try: ', pred_try)

print([dic_imagenet[i] for i in pred_try.data])
imshow(torchvision.utils.make_grid(inputs_try.data.cpu()), 
       title=[dset_classes[x] for x in labels_try.data.cpu()])

修改最后一层，冻结前面层的参数

VGG 模型如下图所示，注意该网络由三种元素组成：

• 卷积层（CONV）是发现图像中局部的 pattern
• 全连接层（FC）是在全局上建立特征的关联
• 池化（Pool）是给图像降维以提高特征的 invariance

print(model_vgg)

model_vgg_new = model_vgg;

for param in model_vgg_new.parameters():
    param.requires_grad = False
model_vgg_new.classifier._modules['6'] = nn.Linear(4096, 2)
model_vgg_new.classifier._modules['7'] = torch.nn.LogSoftmax(dim = 1)

model_vgg_new = model_vgg_new.to(device)

print(model_vgg_new.classifier)

训练并测试全连接层

包括三个步骤：第1步，创建损失函数和优化器；第2步，训练模型；第3步，测试模型。

 

'''
第一步：创建损失函数和优化器

损失函数 NLLLoss() 的 输入 是一个对数概率向量和一个目标标签. 
它不会为我们计算对数概率，适合最后一层是log_softmax()的网络. 
'''
criterion = nn.NLLLoss()

# 学习率
lr = 0.001

# 随机梯度下降
optimizer_vgg = torch.optim.SGD(model_vgg_new.classifier[6].parameters(),lr = lr)

'''
第二步：训练模型
'''

def train_model(model,dataloader,size,epochs=1,optimizer=None):
    model.train()
    
    for epoch in range(epochs):
        running_loss = 0.0
        running_corrects = 0
        count = 0
        for inputs,classes in dataloader:
            inputs = inputs.to(device)
            classes = classes.to(device)
            outputs = model(inputs)
            loss = criterion(outputs,classes)           
            optimizer = optimizer
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            _,preds = torch.max(outputs.data,1)
            # statistics
            running_loss += loss.data.item()
            running_corrects += torch.sum(preds == classes.data)
            count += len(inputs)
            print('Training: No. ', count, ' process ... total: ', size)
        epoch_loss = running_loss / size
        epoch_acc = running_corrects.data.item() / size
        print('Loss: {:.4f} Acc: {:.4f}'.format(
                     epoch_loss, epoch_acc))
        
        
# 模型训练
train_model(model_vgg_new,loader_train,size=dset_sizes['train'], epochs=1, 
            optimizer=optimizer_vgg)
def test_model(model,dataloader,size):
    model.eval()
    predictions = np.zeros(size)
    all_classes = np.zeros(size)
    all_proba = np.zeros((size,2))
    i = 0
    running_loss = 0.0
    running_corrects = 0
    for inputs,classes in dataloader:
        inputs = inputs.to(device)
        classes = classes.to(device)
        outputs = model(inputs)
        loss = criterion(outputs,classes)           
        _,preds = torch.max(outputs.data,1)
        # statistics
        running_loss += loss.data.item()
        running_corrects += torch.sum(preds == classes.data)
        predictions[i:i+len(classes)] = preds.to('cpu').numpy()
        all_classes[i:i+len(classes)] = classes.to('cpu').numpy()
        all_proba[i:i+len(classes),:] = outputs.data.to('cpu').numpy()
        i += len(classes)
        print('Testing: No. ', i, ' process ... total: ', size)        
    epoch_loss = running_loss / size
    epoch_acc = running_corrects.data.item() / size
    print('Loss: {:.4f} Acc: {:.4f}'.format(
                     epoch_loss, epoch_acc))
    return predictions, all_proba, all_classes
  
predictions, all_proba, all_classes = test_model(model_vgg_new,loader_valid,size=dset_sizes['valid'])

 

可视化模型预测结果（主观分析）

主观分析就是把预测的结果和相对应的测试图像输出出来看看，一般有四种方式：

• 随机查看一些预测正确的图片
• 随机查看一些预测错误的图片
• 预测正确，同时具有较大的probability的图片
• 预测错误，同时具有较大的probability的图片
• 最不确定的图片，比如说预测概率接近0.5的图片

# 单次可视化显示的图片个数
n_view = 8
correct = np.where(predictions==all_classes)[0]
from numpy.random import random, permutation
idx = permutation(correct)[:n_view]
print('random correct idx: ', idx)
loader_correct = torch.utils.data.DataLoader([dsets['valid'][x] for x in idx],
                  batch_size = n_view,shuffle=True)
for data in loader_correct:
    inputs_cor,labels_cor = data
# Make a grid from batch
out = torchvision.utils.make_grid(inputs_cor)
imshow(out, title=[l.item() for l in labels_cor])

# 类似的思路，可以显示错误分类的图片，这里不再重复代码

AI艺术鉴赏挑战赛

阅读了前几名优秀选手的代码