참고
Click here to download the full example code
컴퓨터 비전(Vision)을 위한 전이학습(Transfer Learning)¶
- Author: Sasank Chilamkurthy
번역: 박정환
이 튜토리얼에서는 전이학습(Transfer Learning)을 이용하여 이미지 분류를 위한 합성곱 신경망을 어떻게 학습시키는지 배워보겠습니다. 전이학습에 대해서는 CS231n 노트 에서 더 많은 내용을 읽어보실 수 있습니다.
위 노트를 인용해보면,
실제로 충분한 크기의 데이터셋을 갖추기는 상대적으로 드물기 때문에, (무작위 초기화를 통해) 맨 처음부터 합성곱 신경망(Convolutional Network) 전체를 학습하는 사람은 매우 적습니다. 대신, 매우 큰 데이터셋(예. 100가지 분류에 대해 120만개의 이미지가 포함된 ImageNet)에서 합성곱 신경망(ConvNet)을 미리 학습한 후, 이 합성곱 신경망을 관심있는 작업 을 위한 초기 설정 또는 고정된 특징 추출기(fixed feature extractor)로 사용합니다.
이러한 전이학습 시나리오의 주요한 2가지는 다음과 같습니다:
합성곱 신경망의 미세조정(finetuning): 무작위 초기화 대신, 신경망을 ImageNet 1000 데이터셋 등으로 미리 학습한 신경망으로 초기화합니다. 학습의 나머지 과정들은 평상시와 같습니다.
고정된 특징 추출기로써의 합성곱 신경망: 여기서는 마지막에 완전히 연결 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
import torch.backends.cudnn as cudnn
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os
import copy
cudnn.benchmark = True
plt.ion() # 대화형 모드
<contextlib.ExitStack object at 0x7efdbd290e80>
데이터 불러오기¶
데이터를 불러오기 위해 torchvision과 torch.utils.data 패키지를 사용하겠습니다.
여기서 풀고자 하는 문제는 개미 와 벌 을 분류하는 모델을 학습하는 것입니다. 개미와 벌 각각의 학습용 이미지는 대략 120장 정도 있고, 75개의 검증용 이미지가 있습니다. 일반적으로 맨 처음부터 학습을 한다면 이는 일반화하기에는 아주 작은 데이터셋입니다. 하지만 우리는 전이학습을 할 것이므로, 일반화를 제법 잘 할 수 있을 것입니다.
이 데이터셋은 ImageNet의 아주 작은 일부입니다.
참고
데이터를 여기 에서 다운로드 받아 현재 디렉토리에 압축을 푸십시오.
# 학습을 위해 데이터 증가(augmentation) 및 일반화(normalization)
# 검증을 위한 일반화
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/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
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
일부 이미지 시각화하기¶
데이터 증가를 이해하기 위해 일부 학습용 이미지를 시각화해보겠습니다.
def imshow(inp, title=None):
"""tensor를 입력받아 일반적인 이미지로 보여줍니다."""
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) # 갱신이 될 때까지 잠시 기다립니다.
# 학습 데이터의 배치를 얻습니다.
inputs, classes = next(iter(dataloaders['train']))
# 배치로부터 격자 형태의 이미지를 만듭니다.
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
![['ants', 'bees', 'bees', 'ants']](../_images/sphx_glr_transfer_learning_tutorial_001.png)
모델 학습하기¶
이제 모델을 학습하기 위한 일반 함수를 작성해보겠습니다. 여기서는 다음 내용들을 설명합니다:
학습률(learning rate) 관리(scheduling)
최적의 모델 구하기
아래에서 scheduler
매개변수는 torch.optim.lr_scheduler
의 LR 스케쥴러
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(f'Epoch {epoch}/{num_epochs - 1}')
print('-' * 10)
# 각 에폭(epoch)은 학습 단계와 검증 단계를 갖습니다.
for phase in ['train', 'val']:
if phase == 'train':
model.train() # 모델을 학습 모드로 설정
else:
model.eval() # 모델을 평가 모드로 설정
running_loss = 0.0
running_corrects = 0
# 데이터를 반복
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# 매개변수 경사도를 0으로 설정
optimizer.zero_grad()
# 순전파
# 학습 시에만 연산 기록을 추적
with torch.set_grad_enabled(phase == 'train'):
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
loss = criterion(outputs, labels)
# 학습 단계인 경우 역전파 + 최적화
if phase == 'train':
loss.backward()
optimizer.step()
# 통계
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
if phase == 'train':
scheduler.step()
epoch_loss = running_loss / dataset_sizes[phase]
epoch_acc = running_corrects.double() / dataset_sizes[phase]
print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}')
# 모델을 깊은 복사(deep copy)함
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(f'Training complete in {time_elapsed // 60:.0f}m {time_elapsed % 60:.0f}s')
print(f'Best val Acc: {best_acc:4f}')
# 가장 나은 모델 가중치를 불러옴
model.load_state_dict(best_model_wts)
return model
모델 예측값 시각화하기¶
일부 이미지에 대한 예측값을 보여주는 일반화된 함수입니다.
def visualize_model(model, num_images=6):
was_training = model.training
model.eval()
images_so_far = 0
fig = plt.figure()
with torch.no_grad():
for i, (inputs, labels) in enumerate(dataloaders['val']):
inputs = inputs.to(device)
labels = labels.to(device)
outputs = model(inputs)
_, preds = torch.max(outputs, 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(f'predicted: {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 초기화합니다.
model_ft = models.resnet18(weights='IMAGENET1K_V1')
num_ftrs = model_ft.fc.in_features
# 여기서 각 출력 샘플의 크기는 2로 설정합니다.
# 또는, ``nn.Linear(num_ftrs, len (class_names))`` 로 일반화할 수 있습니다.
model_ft.fc = nn.Linear(num_ftrs, 2)
model_ft = model_ft.to(device)
criterion = nn.CrossEntropyLoss()
# 모든 매개변수들이 최적화되었는지 관찰
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)
# 7 에폭마다 0.1씩 학습률 감소
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
Downloading: "https://download.pytorch.org/models/resnet18-f37072fd.pth" to /root/.cache/torch/hub/checkpoints/resnet18-f37072fd.pth
0%| | 0.00/44.7M [00:00<?, ?B/s]
24%|##3 | 10.7M/44.7M [00:00<00:00, 112MB/s]
50%|####9 | 22.2M/44.7M [00:00<00:00, 117MB/s]
75%|#######4 | 33.3M/44.7M [00:00<00:00, 112MB/s]
100%|##########| 44.7M/44.7M [00:00<00:00, 115MB/s]
학습 및 평가하기¶
CPU에서는 15-25분 가량, GPU에서는 1분도 이내의 시간이 걸립니다.
model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
num_epochs=25)
Epoch 0/24
----------
train Loss: 0.5258 Acc: 0.7254
val Loss: 0.2531 Acc: 0.8889
Epoch 1/24
----------
train Loss: 0.8115 Acc: 0.7131
val Loss: 0.4143 Acc: 0.8235
Epoch 2/24
----------
train Loss: 0.4673 Acc: 0.7992
val Loss: 0.2675 Acc: 0.8889
Epoch 3/24
----------
train Loss: 0.5035 Acc: 0.7992
val Loss: 0.2472 Acc: 0.9020
Epoch 4/24
----------
train Loss: 0.4191 Acc: 0.8320
val Loss: 0.8206 Acc: 0.7843
Epoch 5/24
----------
train Loss: 0.6408 Acc: 0.7869
val Loss: 0.4910 Acc: 0.8366
Epoch 6/24
----------
train Loss: 0.5747 Acc: 0.7500
val Loss: 0.2810 Acc: 0.9150
Epoch 7/24
----------
train Loss: 0.4328 Acc: 0.8279
val Loss: 0.2700 Acc: 0.9020
Epoch 8/24
----------
train Loss: 0.4153 Acc: 0.8525
val Loss: 0.2859 Acc: 0.8889
Epoch 9/24
----------
train Loss: 0.2438 Acc: 0.8934
val Loss: 0.3387 Acc: 0.8693
Epoch 10/24
----------
train Loss: 0.3048 Acc: 0.8770
val Loss: 0.2242 Acc: 0.9150
Epoch 11/24
----------
train Loss: 0.3112 Acc: 0.8566
val Loss: 0.2132 Acc: 0.9085
Epoch 12/24
----------
train Loss: 0.2623 Acc: 0.8934
val Loss: 0.2218 Acc: 0.9085
Epoch 13/24
----------
train Loss: 0.3373 Acc: 0.8320
val Loss: 0.3559 Acc: 0.8889
Epoch 14/24
----------
train Loss: 0.2747 Acc: 0.8811
val Loss: 0.2376 Acc: 0.9150
Epoch 15/24
----------
train Loss: 0.2671 Acc: 0.8852
val Loss: 0.2369 Acc: 0.8954
Epoch 16/24
----------
train Loss: 0.3282 Acc: 0.8525
val Loss: 0.2470 Acc: 0.8824
Epoch 17/24
----------
train Loss: 0.2278 Acc: 0.9016
val Loss: 0.2265 Acc: 0.8954
Epoch 18/24
----------
train Loss: 0.2982 Acc: 0.8566
val Loss: 0.2713 Acc: 0.8954
Epoch 19/24
----------
train Loss: 0.2620 Acc: 0.9098
val Loss: 0.2660 Acc: 0.8758
Epoch 20/24
----------
train Loss: 0.3463 Acc: 0.8770
val Loss: 0.2138 Acc: 0.9020
Epoch 21/24
----------
train Loss: 0.3369 Acc: 0.8443
val Loss: 0.2489 Acc: 0.8889
Epoch 22/24
----------
train Loss: 0.2528 Acc: 0.8934
val Loss: 0.2130 Acc: 0.9020
Epoch 23/24
----------
train Loss: 0.2793 Acc: 0.9057
val Loss: 0.2368 Acc: 0.9150
Epoch 24/24
----------
train Loss: 0.2600 Acc: 0.8811
val Loss: 0.2138 Acc: 0.9085
Training complete in 1m 20s
Best val Acc: 0.915033
visualize_model(model_ft)

고정된 특징 추출기로써의 합성곱 신경망¶
이제, 마지막 계층을 제외한 신경망의 모든 부분을 고정해야 합니다.
requires_grad = False
로 설정하여 매개변수를 고정하여 backward()
중에
경사도가 계산되지 않도록 해야합니다.
이에 대한 문서는 여기 에서 확인할 수 있습니다.
model_conv = torchvision.models.resnet18(weights='IMAGENET1K_V1')
for param in model_conv.parameters():
param.requires_grad = False
# 새로 생성된 모듈의 매개변수는 기본값이 requires_grad=True 임
num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)
model_conv = model_conv.to(device)
criterion = nn.CrossEntropyLoss()
# 이전과는 다르게 마지막 계층의 매개변수들만 최적화되는지 관찰
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)
# 7 에폭마다 0.1씩 학습률 감소
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)
학습 및 평가하기¶
CPU에서 실행하는 경우 이전과 비교했을 때 약 절반 가량의 시간만이 소요될 것입니다. 이는 대부분의 신경망에서 경사도를 계산할 필요가 없기 때문입니다. 하지만, 순전파는 계산이 필요합니다.
model_conv = train_model(model_conv, criterion, optimizer_conv,
exp_lr_scheduler, num_epochs=25)
Epoch 0/24
----------
train Loss: 0.6586 Acc: 0.6107
val Loss: 0.2876 Acc: 0.8693
Epoch 1/24
----------
train Loss: 0.5389 Acc: 0.7459
val Loss: 0.2085 Acc: 0.9346
Epoch 2/24
----------
train Loss: 0.6172 Acc: 0.7295
val Loss: 0.2636 Acc: 0.9085
Epoch 3/24
----------
train Loss: 0.4949 Acc: 0.7705
val Loss: 0.2987 Acc: 0.9020
Epoch 4/24
----------
train Loss: 0.4836 Acc: 0.8115
val Loss: 0.1774 Acc: 0.9346
Epoch 5/24
----------
train Loss: 0.4383 Acc: 0.8156
val Loss: 0.2313 Acc: 0.9150
Epoch 6/24
----------
train Loss: 0.5554 Acc: 0.7910
val Loss: 0.2724 Acc: 0.9216
Epoch 7/24
----------
train Loss: 0.4263 Acc: 0.8197
val Loss: 0.1865 Acc: 0.9346
Epoch 8/24
----------
train Loss: 0.3817 Acc: 0.8607
val Loss: 0.2045 Acc: 0.9346
Epoch 9/24
----------
train Loss: 0.2954 Acc: 0.8811
val Loss: 0.2192 Acc: 0.9216
Epoch 10/24
----------
train Loss: 0.3818 Acc: 0.8566
val Loss: 0.1943 Acc: 0.9346
Epoch 11/24
----------
train Loss: 0.4101 Acc: 0.8033
val Loss: 0.2088 Acc: 0.9346
Epoch 12/24
----------
train Loss: 0.3423 Acc: 0.8607
val Loss: 0.1969 Acc: 0.9281
Epoch 13/24
----------
train Loss: 0.3836 Acc: 0.8197
val Loss: 0.2164 Acc: 0.9216
Epoch 14/24
----------
train Loss: 0.3504 Acc: 0.8197
val Loss: 0.2395 Acc: 0.9216
Epoch 15/24
----------
train Loss: 0.3159 Acc: 0.8402
val Loss: 0.1997 Acc: 0.9216
Epoch 16/24
----------
train Loss: 0.3212 Acc: 0.8811
val Loss: 0.1804 Acc: 0.9281
Epoch 17/24
----------
train Loss: 0.3953 Acc: 0.7992
val Loss: 0.2158 Acc: 0.9150
Epoch 18/24
----------
train Loss: 0.2120 Acc: 0.9303
val Loss: 0.2030 Acc: 0.9281
Epoch 19/24
----------
train Loss: 0.3513 Acc: 0.8361
val Loss: 0.1921 Acc: 0.9281
Epoch 20/24
----------
train Loss: 0.3202 Acc: 0.8443
val Loss: 0.1860 Acc: 0.9281
Epoch 21/24
----------
train Loss: 0.2649 Acc: 0.8770
val Loss: 0.1996 Acc: 0.9281
Epoch 22/24
----------
train Loss: 0.3504 Acc: 0.8443
val Loss: 0.2058 Acc: 0.9281
Epoch 23/24
----------
train Loss: 0.3311 Acc: 0.8361
val Loss: 0.2021 Acc: 0.9281
Epoch 24/24
----------
train Loss: 0.3853 Acc: 0.8238
val Loss: 0.2158 Acc: 0.9281
Training complete in 1m 6s
Best val Acc: 0.934641
visualize_model(model_conv)
plt.ioff()
plt.show()

더 배워볼 내용¶
전이학습의 응용 사례(application)들을 더 알아보려면, (베타) 컴퓨터 비전 튜토리얼을 위한 양자화된 전이학습(Quantized Transfer Learning) 을 참조해보세요.
Total running time of the script: ( 2 minutes 32.357 seconds)