【Pytorch实战6】一个完整的分类案例：迁移学习分类蚂蚁和蜜蜂（Res18,VGG16)-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_37935211/article/details/90252093

参考资料：

《深度学习之pytorch实战计算机视觉》

Pytorch官方教程

Pytorch官方文档

本文是采用pytorch进行迁移学习的实战演练，实战目的是为了进一步学习和熟悉pytorch编程。

本文涉及以下内容

迁移学习的概念
数据集的介绍，读取，处理和预览
模型搭建和参数优化涉及VGG16,Res50等模型
采用GPU进行网络训练
采用tensorboradX进行训练可视化
学习率的调整
模型的保存和加载
模型测试

一、迁移学习的概念

两种常见的迁移学习的做法是

1、finetuning：微调。采用在其他数据集上训练好的权重作为初始权重训练模型。

2、冻结前面部分层，只训练后面的一些层。

迁移学习的好处：节省训练的时间，解决小样本问题。

个人感觉迁移学习在自然图像上应用得比较多，尤其是采用ImageNet数据集上训练的权重作为初始权重是一种很普遍的做法。但是在医学影像上，我很少看到有用迁移学习的。

二、数据集读取和处理

采用的数据集是ImageNet的一个子集——蚂蚁和蜜蜂。每一类的训练数据和验证数据各为120,75。数据很少，从头训练肯定是不够的，但本文采用的是迁移学习。下载地址。

我们来看数据读取和预览的代码。

#--coding:utf-8--

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

# Data augmentation and normalization for training
# Just normalization for validation
data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor()
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor()
    ]),
}
#获得数据生成器，以字典的形式保存。
data_dir = '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']}

#选择1batch的训练数据进行可视化
def imshow(inp, title=None):
    """Imshow for Tensor."""
    inp = inp.numpy().transpose((1, 2, 0))
    inp = np.clip(inp, 0, 1)
    plt.imshow(inp)
    if title is not None:
        plt.title(title)

dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
class_names = image_datasets['train'].classes
# 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])
plt.show()

图片预览结果：

这部分如果有问题可以看前一篇博文【Pytorch实战5】数据读取和处理（以脸部关键点检测的数据为例）

查看数据集大小和标签：

dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
print(dataset_sizes)
index_classes = image_datasets['train'].class_to_idx
print(index_classes)

三、模型搭建、训练和测试

本节将搭建三个卷积神经网络模型用于分类：Res18,VGG16,ResNet50。并比较这三个模型的准确率和泛化能力。

本节还涉及以下内容：

GPU训练网络
tensorboardX训练可视化
计划学习率
保存最优模型和加载模型用于测试

1、Res18

先看完整的训练代码。

# --coding:utf-8--

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os
import copy
from tensorboardX import SummaryWriter

# 获得数据生成器，以字典的形式保存。
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 = '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']}
# 数据集的大小
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
# 类的名称
class_names = image_datasets['train'].classes
# 有GPU就用GPU训练
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")


# 模型训练和参数优化
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    since = time.time()

    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0