【chainer速成】chainer图像分类从模型自定义到测试
欢迎来到专栏《2小时玩转开源框架系列》,这是我们第八篇,前面已经说过了caffe,tensorflow,pytorch,mxnet,keras,paddlepaddle,cntk。
今天说chainer,本文所用到的数据,代码请参考我们官方git
https://github.com/longpeng2008/LongPeng_ML_Course
作者&编辑 | 汤兴旺
1 chainer是什么
chainer是一个基于python的深度学习框架,能够轻松直观地编写复杂的神经网络架构。
当前大多数深度学习框架都基于“Define-and-Run”方案。也就是说,首先定义网络,然后用户定期向其提供小批量的训练数据。由于网络静态定义的,因此所有的逻辑必须作为数据嵌入到网络架构中。
相反,chainer采用“Define-by-Run”方案,即通过实际的前向计算动态定义网络。更确切地说,chainer存储计算历史而不是编程逻辑。这样,Chainer不需要将条件和循环引入网络定义 。chainer的核心理念就是Define-by-Run。
2 chainer训练准备
2.1 chainer安装
chainer安装很简单,只需要在终端输入下面命令即可安装:
pip install chainer
2.2 数据读取
在chainer中读取数据是非常简单的。数据读取部分的代码如下:
import numpy as np
import os
from PIL import Image
import glob
from chainer.datasets import tuple_dataset
class Dataset():
def __init__(self, path, width=60, height=60):
channels = 3
path = glob.glob('./mouth/*')
pathsAndLabels = []
index = 0
for p in path:
print(p + "," + str(index))
pathsAndLabels.append(np.asarray([p, index]))
index = index + 1
allData = []
for pathAndLabel in pathsAndLabels:
path = pathAndLabel[0]
label = pathAndLabel[1]
imagelist = glob.glob(path + "/*")
for imgName in imagelist:
allData.append([imgName, label])
allData = np.random.permutation(allData)
imageData = []
labelData = []
下面解释下在chainer中读取数据的一些特色,完整代码请移步github。
在chainer中我们通过chainer.datasets模块来获取数据集,其最基本的数据集就是一个数组,平时最常见的NumPy和CuPy数组都可以直接用作数据集。在本实例中我们采用的是元组数据集即TupleDataset()来获取数据。
2.3 网络定义
它的网络定义和pytorch基本上是相似的,如下:
class MyModel(Chain):
def __init__(self):
super(MyModel, self).__init__()
with self.init_scope():
self.conv1 = L.Convolution2D(
in_channels=3, out_channels=12, ksize=3, stride=2)
self.bn1 = L.BatchNormalization(12)
self.conv2 = L.Convolution2D(
in_channels=12, out_channels=24, ksize=3, stride=2)
self.bn2 = L.BatchNormalization(24)
self.conv3 = L.Convolution2D(
in_channels=24, out_channels=48, ksize=3, stride=2)
self.bn3 = L.BatchNormalization(48)
self.fc1 = L.Linear(None, 1200)
self.fc2 = L.Linear(1200, 128)
self.fc3 = L.Linear(128, 2)
def __call__(self,x):
return self.forward(x)
def forward(self, x):
h1 = F.relu(self.conv1(x))
h2 = F.relu(self.conv2(h1))
h3 = F.relu(self.conv3(h2))
h4 = F.relu(self.fc1(h3))
h5 = F.relu(self.fc2(h4))
x = self.fc3(h5)
return (x)
上面的例子和之前说过的caffe、tensorflow、pytorch等框架采用的网络结构是一样。这里不在赘述,我具体说下这个框架的特色。
(1) MyModel(Chain)
Chain在chainer中是一个定义模型的类,我们把模型MyModel定义为Chain的子类,即继承Chain这个类,这和Pytorch中的nn.module类似。以后我们在模型定义时都可以通过Chain来构建具有潜在深层功能和链接层次的模型。
(2) Link和Function
在Chainer中,神经网络的每一层都可以认为是由两种广泛类型的函数之一组成即Link和Function。
其中Function是一个没有可学习参数的函数,而LInk是包括参数的,我们也能把Link理解成一个赋予其参数的Function。
在我们使用它之前,我们首先需要导入相应的模块,如下:
import chainer.links as L
import chainer.functions as F
另外在平时使用时我们喜欢用L替代Link,用F代替Function。如L.Convolution2D和F.relu
(3) __call__
对于__call__它的作用就是使我们的chain像一个函数一样容易被调用。
3 模型训练
数据加载和网络定义好后,我们就可以进行模型训练了,话不多说,我们直接上代码。
model = L.Classifier(MyModel())
if os.path.isfile('./dataset.pickle'):
print("dataset.pickle is exist. loading...")
with open('./dataset.pickle', mode='rb') as f:
train, test = pickle.load(f)
print("Loaded")
else:
datasets = dataset.Dataset("mouth")
train, test = datasets.get_dataset()
with open('./dataset.pickle', mode='wb') as f:
pickle.dump((train, test), f)
print("saving train and test...")
optimizer = optimizers.MomentumSGD(lr=0.001, momentum=0.5)
optimizer.setup(model)
train_iter = iterators.SerialIterator(train, 64)
test_iter = iterators.SerialIterator(test, 64, repeat=False, shuffle=True)
updater = training.StandardUpdater(train_iter, optimizer, device=-1)
trainer = training.Trainer(updater, (800, 'epoch'), out='{}_model_result'.format(MyModel.__class__.__name__))
在chainer中,模型训练可以分为如下6个步骤,个人认为这6个步骤是非常好理解的。
Step-01-Dataset
第一步当然就是加载我们的数据集了,我们通常都是通过下面方法加载数据集:
train, test = datasets.get_dataset()
Step-02-Iterator
chainer提供了一些Iterator,通常我们采用下面的方法来从数据集中获取小批量的数据进行迭代。
train_iter = iterators.SerialIterator(train, batchsize)
test_iter = iterators.SerialIterator(test, batchsize, repeat=False, shuffle=True)
Step-03-Model
在chainer中chainer.links.Classifier是一个简单的分类器模型,尽管它里面有许多参数如predictor、lossfun和accfun,但我们只需赋予其一个参数那就是predictor,即你定义过的模型。
model = L.Classifier(MyModel())
Step-04-Optimizer
模型弄好后,接下来当然是优化了,在chainer.optimizers中有许多我们常见的优化器,部分优化器如下:
1、chainer.optimizers.AdaDelta
2、chainer.optimizers.AdaGrad
3、chainer.optimizers.AdaDelta
4、chainer.optimizers.AdaGrad
5、chainer.optimizers.Adam
6、chainer.optimizers.CorrectedMomentumSGD .
7、chainer.optimizers.MomentumSGD
8、chainer.optimizers.NesterovAG
9、chainer.optimizers.RMSprop
10、chainer.optimizers.RMSpropGraves
...
Step-05-Updater
当我们想要训练神经网络时,我们必须运行多次更新参数,这在chainer中就是Updater所做的工作,在本例我们使用的是 training.StandardUpdater。
Step-06-Trainer
上面的工作做完之后我们需要做的就是训练了。在chainer中,训练模型采用的是 training.Trainer()。
4 可视化
trainer.extend(extensions.dump_graph("main/loss"))
trainer.extend(extensions.Evaluator(test_iter, model, device=-1))
trainer.extend(extensions.LogReport())
trainer.extend(extensions.PrintReport( ['epoch', 'main/loss', 'validation/main/loss', 'main/accuracy', 'validation/main/accuracy']))
trainer.extend(extensions.PlotReport(['main/loss', 'validation/main/loss'], x_key='epoch', file_name='loss.png'))
trainer.extend(extensions.PlotReport(['main/accuracy', 'validation/main/accuracy'], x_key='epoch', file_name='accuracy.png'))
trainer.extend(extensions.ProgressBar())
在chainer中可视化是非常方便的,我们常通过trainer.extend()来实现我们的可视化,其有下面几种可视化的方式。
1、chainer.training.extensions.PrintReport
2、chainer.training.extensions.ProgressBar
3、chainer.training.extensions.LogReport
4、chainer.training.extensions.PlotReport
5、chainer.training.extensions.VariableStatisticsPlot
6、chainer.training.extensions.dump_graph
以上就是利用chain来做一个图像分类任务的一个小例子。完整代码可以看配套的git项目,我们看看训练中的记录,如下:
总结
本文讲解了如何使用chainer深度学习框架完成一个分类任务,尽管这个框架用的人不多,但这个框架使用起来还是比较方便的,您在用吗?如果您在用,可以联系我们一起交流下!
转载文章请后台联系
侵权必究