西安网站seo公司,开发网站赚钱,建设网站杭州,核酸检测赚了七十亿Pytorch从零开始实战——DenseNet SENet算法实战
本系列来源于365天深度学习训练营
原作者K同学 文章目录 Pytorch从零开始实战——DenseNet SENet算法实战环境准备数据集模型选择开始训练可视化总结 环境准备
本文基于Jupyter notebook#xff0c;使用Python3.8#x…Pytorch从零开始实战——DenseNet SENet算法实战
本系列来源于365天深度学习训练营
原作者K同学 文章目录 Pytorch从零开始实战——DenseNet SENet算法实战环境准备数据集模型选择开始训练可视化总结 环境准备
本文基于Jupyter notebook使用Python3.8Pytorch2.0.1cu118torchvision0.15.2需读者自行配置好环境且有一些深度学习理论基础。本次实验的目的是使用DenseNetSENet模型。 第一步导入常用包
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.nn.functional as F
import random
from time import time
import numpy as np
import pandas as pd
import datetime
import gc
import os
import copy
import warnings
os.environ[KMP_DUPLICATE_LIB_OK]True # 用于避免jupyter环境突然关闭
torch.backends.cudnn.benchmarkTrue # 用于加速GPU运算的代码设置随机数种子
torch.manual_seed(428)
torch.cuda.manual_seed(428)
torch.cuda.manual_seed_all(428)
random.seed(428)
np.random.seed(428)检查设备对象
torch.manual_seed(428)
torch.cuda.manual_seed(428)
torch.cuda.manual_seed_all(428)
random.seed(428)
np.random.seed(428)检查设备对象
device torch.device(cuda if torch.cuda.is_available() else cpu)
device, torch.cuda.device_count() # # (device(typecuda), 2)数据集
本次实验继续使用猴痘病数据集使用pathlib查看类别本次类别只有01两种类别分别代表患病和不患病。
import pathlib
data_dir ./data/ill/
data_dir pathlib.Path(data_dir) # 转成pathlib.Path对象
data_paths list(data_dir.glob(*))
classNames [str(path).split(/)[2] for path in data_paths]
classNames # [Monkeypox, Others]使用transforms对数据集进行统一处理并且根据文件夹名映射对应标签
all_transforms transforms.Compose([transforms.Resize([224, 224]),transforms.ToTensor(),transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # 标准化
])total_data datasets.ImageFolder(./data/ill/, transformall_transforms)
total_data.class_to_idx # {Monkeypox: 0, Others: 1}随机查看5张图片
def plotsample(data):fig, axs plt.subplots(1, 5, figsize(10, 10)) #建立子图for i in range(5):num random.randint(0, len(data) - 1) #首先选取随机数随机选取五次#抽取数据中对应的图像对象make_grid函数可将任意格式的图像的通道数升为3而不改变图像原始的数据#而展示图像用的imshow函数最常见的输入格式也是3通道npimg torchvision.utils.make_grid(data[num][0]).numpy()nplabel data[num][1] #提取标签 #将图像由(3, weight, height)转化为(weight, height, 3)并放入imshow函数中读取axs[i].imshow(np.transpose(npimg, (1, 2, 0))) axs[i].set_title(nplabel) #给每个子图加上标签axs[i].axis(off) #消除每个子图的坐标轴plotsample(total_data)根据8比2划分数据集和测试集并且利用DataLoader划分批次和随机打乱
train_size int(0.8 * len(total_data))
test_size len(total_data) - train_size
train_ds, test_ds torch.utils.data.random_split(total_data, [train_size, test_size])batch_size 32
train_dl torch.utils.data.DataLoader(train_ds,batch_sizebatch_size,shuffleTrue,)
test_dl torch.utils.data.DataLoader(test_ds,batch_sizebatch_size,shuffleTrue,)len(train_dl.dataset), len(test_dl.dataset) # (1713, 429)模型选择
本次实验使用DenseNet SENet模型DenseNet的设计核心思想是通过密集连接来增强神经网络的信息流动促进梯度的传播以及提高参数的共享和重复使用。采用跨通道concat的形式来连接会连接前面所有层作为输入。 核心公式为 DenseNet中的基本组成单元是DenseBlock它由多个密集连接的DenseLayer组成。每个DenseLayer都接收所有前面的DenseLayer特征作为输入将其连接到自己的输出上并传递给后续的层。如图所示这是一个基本的DenseBlock模块。 整体网络架构图如下所示借用K同学的图片
为了控制模型的复杂度并减少特征图的大小DenseNet引入了Transition Block。过渡块包括批归一化、ReLU激活和 1x1 卷积以减小特征图的通道数并通过池化操作降低空间维度。 首先对DenseLayer类定义本次实验使用add_module函数默认是用于向类中添加一个子模块第一个参数为模块名第二个参数为模块实例其实相当于加到父类的nn.Sequential里面所以调用的时候使用super().forward(x)这段的核心是将输入 x 与新特征 t 进行通道维度上的连接完成密集连接。
class DenseLayer(nn.Sequential):def __init__(self, num_input_features, growth_rate, bn_size, drop_rate):super().__init__()self.add_module(norm1, nn.BatchNorm2d(num_input_features))self.add_module(relu1, nn.ReLU(inplaceTrue))self.add_module(conv1, nn.Conv2d(num_input_features, bn_size * growth_rate, kernel_size1, stride1, biasFalse))self.add_module(norm2, nn.BatchNorm2d(bn_size * growth_rate))self.add_module(relu2, nn.ReLU(inplaceTrue))self.add_module(conv2, nn.Conv2d(bn_size*growth_rate, growth_rate, kernel_size3, stride1, padding1, biasFalse))self.drop_rate drop_ratedef forward(self, x):t super().forward(x)if self.drop_rate 0:t F.dropout(t, pself.drop_rate, trainingself.training)return torch.cat([x, t], 1)下面是DenseBlock的实现通过循环创建了多个DenseLayer。其中的 num_input_features i * growth_rate 用于指定输入通道的数量确保每个DenseLayer的输入通道数逐渐增加。将新创建的DenseLayer添加为 DenseBlock 的子模块。循环结束后DenseBlock 就包含了多个DenseLayer每个DenseLayer都具有逐渐增加的输入通道数量。
class DenseBlock(nn.Sequential):def __init__(self, num_layers, num_input_features, bn_size, growth_rate, drop_rate):super().__init__()for i in range(num_layers):layer DenseLayer(num_input_features i * growth_rate, growth_rate, bn_size, drop_rate)self.add_module(denselayer%d % (i 1), layer)下面是Transition实现过渡的功能是在块之间降低通道数量和空间维度。
class Transition(nn.Sequential):def __init__(self, num_input_feature, num_output_features):super().__init__()self.add_module(norm, nn.BatchNorm2d(num_input_feature))self.add_module(relu, nn.ReLU(inplaceTrue))self.add_module(conv, nn.Conv2d(num_input_feature, num_output_features, kernel_size1, stride1, biasFalse))self.add_module(pool, nn.AvgPool2d(2, stride2))SENet是一种深度神经网络结构它的核心思想是允许网络在训练期间对每个通道进行自适应的加权以使网络能够更加关注对任务有用的通道并抑制对任务无关的通道。这有助于提高网络对输入数据的敏感性并提升网络性能。SENet的结构包括两个主要组件Squeeze 操作和 Excitation 操作。
Squeeze 操作Global Average Pooling通过全局平均池化将每个通道的空间维度降为1。这样对于每个通道都得到一个单一的数值反映了该通道对整个特征图的重要性。
Excitation 操作通道注意力在 Squeeze 操作后通过一个小型的多层感知机MLP来学习通道之间的关系。这个小型MLP包含一个压缩操作和一个激励操作。最后利用学到的权重对每个通道的特征图进行加权得到加权后的特征表示。 下面是SENet的实现首先通过全局平均池化层对输入特征图进行平均池化将每个通道的空间维度降为1。然后通过全连接层序列 fc 对降维后的特征进行处理得到每个通道的注意力权重。最后将得到的注意力权重通过 view 操作还原为与输入特征图相同的形状并将其与输入特征图相乘得到应用了注意力机制的特征图。
from torch.nn import init
class SEAttention(nn.Module):def __init__(self, channel512, reduction16):super().__init__()self.avg_pool nn.AdaptiveAvgPool2d(1)self.fc nn.Sequential(nn.Linear(channel, channel // reduction, biasFalse),nn.ReLU(inplaceTrue),nn.Linear(channel // reduction, channel, biasFalse),nn.Sigmoid())def init_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):init.kaiming_normal_(m.weight, modefan_out)if m.bias is not None:init.constant_(m.bias, 0)elif isinstance(m, nn.BatchNorm2d):init.constant_(m.weight, 1)init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):init.normal_(m.weight, std0.001)if m.bias is not None:init.constant_(m.bias, 0)def forward(self, x):b, c, _, _ x.size()y self.avg_pool(x).view(b, c)y self.fc(y).view(b, c, 1, 1)return x * y.expand_as(x)整体模型实现self.features 是一个包含多个层的序列包括初始卷积块、多个DenseBlock和Transition以及最后的全局平均池化和分类器。遍历 block_config 中的配置创建DenseBlock和Transition。参数初始化部分使用了 Kaiming 初始化和常数初始化。
其中OrderedDict是Python中的一种有序字典数据结构它保留了元素添加的顺序。在神经网络中我们可以使用OrderedDict来指定模型的层次结构。
在进行平均池化之前进入到SENet进行学习通道注意力权重从而提高网络的表征能力。
from collections import OrderedDictclass DenseNet(nn.Module):def __init__(self, growth_rate32, block_config(6, 12, 24, 16), num_init_features64,bn_size4, compression_rate0.5, drop_rate0, num_classes1000):super().__init__()self.features nn.Sequential(OrderedDict([(conv0, nn.Conv2d(3, num_init_features, kernel_size7, stride2, padding3, biasFalse)),(norm0, nn.BatchNorm2d(num_init_features)),(relu0, nn.ReLU(inplaceTrue)),(pool0, nn.MaxPool2d(3, stride2, padding1))]))num_features num_init_featuresfor i, num_layers in enumerate(block_config):block DenseBlock(num_layers, num_features, bn_size, growth_rate, drop_rate)self.features.add_module(denseblock%d % (i 1), block)num_features num_layers * growth_rateif i ! len(block_config) - 1:transition Transition(num_features, int(num_features * compression_rate))self.features.add_module(transition%d % (i 1), transition)num_features int(num_features * compression_rate)self.features.add_module(norm5, nn.BatchNorm2d(num_features))self.features.add_module(relu5, nn.ReLU(inplaceTrue))self.se SEAttention(channel1024, reduction8)self.classifier nn.Linear(num_features, num_classes)for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight)elif isinstance(m, nn.BatchNorm2d):nn.init.constant_(m.bias, 0)nn.init.constant_(m.weight, 1)elif isinstance(m, nn.Linear):if m.bias is not None:nn.init.constant_(m.bias, 0)def forward(self, x):features self.features(x)out self.se(features)out F.avg_pool2d(features, 7, stride1)out out.view(features.size(0), -1)out self.classifier(out)return out使用summary查看网络
from torchsummary import summary
model DenseNet().to(device)
summary(model, input_size(3, 224, 224))开始训练
定义训练函数
def train(dataloader, model, loss_fn, opt):size len(dataloader.dataset)num_batches len(dataloader)train_acc, train_loss 0, 0for X, y in dataloader:X, y X.to(device), y.to(device)pred model(X)loss loss_fn(pred, y)opt.zero_grad()loss.backward()opt.step()train_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss定义测试函数
def test(dataloader, model, loss_fn):size len(dataloader.dataset)num_batches len(dataloader)test_acc, test_loss 0, 0with torch.no_grad():for X, y in dataloader:X, y X.to(device), y.to(device)pred model(X)loss loss_fn(pred, y)test_acc (pred.argmax(1) y).type(torch.float).sum().item()test_loss loss.item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_loss定义学习率、损失函数、优化算法
loss_fn nn.CrossEntropyLoss()
learn_rate 0.0001
opt torch.optim.Adam(model.parameters(), lrlearn_rate)开始训练epoch设置为20
import time
epochs 20
train_loss []
train_acc []
test_loss []
test_acc []T1 time.time()best_acc 0
best_model 0for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)model.eval() # 确保模型不会进行训练操作epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)if epoch_test_acc best_acc:best_acc epoch_test_accbest_model copy.deepcopy(model)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)print(epoch:%d, train_acc:%.1f%%, train_loss:%.3f, test_acc:%.1f%%, test_loss:%.3f% (epoch 1, epoch_train_acc * 100, epoch_train_loss, epoch_test_acc * 100, epoch_test_loss))T2 time.time()
print(程序运行时间:%s秒 % (T2 - T1))PATH ./best_model.pth # 保存的参数文件名
if best_model is not None:torch.save(best_model.state_dict(), PATH)print(保存最佳模型)
print(Done)可视化
可视化训练过程与测试过程
import warnings
warnings.filterwarnings(ignore) #忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
plt.rcParams[figure.dpi] 100 #分辨率epochs_range range(epochs)plt.figure(figsize(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy)
plt.plot(epochs_range, test_acc, labelTest Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, labelTraining Loss)
plt.plot(epochs_range, test_loss, labelTest Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.show()总结
SE模块引入了通道注意力机制使得网络在学习过程中能够更加自适应地关注对任务有用的通道抑制对任务无关的通道。这有助于提高网络的特征表达能力。当前也可以与各种其他的深度神经网络结构集成。因此可以在不改变整体网络架构的情况下通过引入通道注意力机制来增强网络性能。
