.. _sec_kaggle_cifar10:
实战 Kaggle 比赛:图像分类 (CIFAR-10)
=====================================
之前几节中,我们一直在使用深度学习框架的高级API直接获取张量格式的图像数据集。
但是在实践中,图像数据集通常以图像文件的形式出现。
本节将从原始图像文件开始,然后逐步组织、读取并将它们转换为张量格式。
我们在
:numref:`sec_image_augmentation`\ 中对CIFAR-10数据集做了一个实验。CIFAR-10是计算机视觉领域中的一个重要的数据集。
本节将运用我们在前几节中学到的知识来参加CIFAR-10图像分类问题的Kaggle竞赛,比赛的网址是https://www.kaggle.com/c/cifar-10。
:numref:`fig_kaggle_cifar10`\ 显示了竞赛网站页面上的信息。
为了能提交结果,首先需要注册一个Kaggle账户。
.. _fig_kaggle_cifar10:
.. figure:: ../img/kaggle-cifar10.png
:width: 600px
CIFAR-10
图像分类竞赛页面上的信息。竞赛用的数据集可通过点击“Data”选项卡获取。
首先,导入竞赛所需的包和模块。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
import collections
import math
import os
import shutil
import mindspore
import pandas as pd
from mindspore import nn
from d2l import mindspore as d2l
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
import collections
import math
import os
import shutil
import pandas as pd
import torch
import torchvision
from torch import nn
from d2l import torch as d2l
.. raw:: html
.. raw:: html
获取并组织数据集
----------------
比赛数据集分为训练集和测试集,其中训练集包含50000张、测试集包含300000张图像。
在测试集中,10000张图像将被用于评估,而剩下的290000张图像将不会被进行评估,包含它们只是为了防止手动标记测试集并提交标记结果。
两个数据集中的图像都是png格式,高度和宽度均为32像素并有三个颜色通道(RGB)。
这些图片共涵盖10个类别:飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。
:numref:`fig_kaggle_cifar10`\ 的左上角显示了数据集中飞机、汽车和鸟类的一些图像。
下载数据集
~~~~~~~~~~
登录Kaggle后,我们可以点击
:numref:`fig_kaggle_cifar10`\ 中显示的CIFAR-10图像分类竞赛网页上的“Data”选项卡,然后单击“Download
All”按钮下载数据集。
在\ ``../data``\ 中解压下载的文件并在其中解压缩\ ``train.7z``\ 和\ ``test.7z``\ 后,在以下路径中可以找到整个数据集:
- ``../data/cifar-10/train/[1-50000].png``
- ``../data/cifar-10/test/[1-300000].png``
- ``../data/cifar-10/trainLabels.csv``
- ``../data/cifar-10/sampleSubmission.csv``
``train``\ 和\ ``test``\ 文件夹分别包含训练和测试图像,\ ``trainLabels.csv``\ 含有训练图像的标签,
``sample_submission.csv``\ 是提交文件的范例。
为了便于入门,我们提供包含前1000个训练图像和5个随机测试图像的数据集的小规模样本。
要使用Kaggle竞赛的完整数据集,需要将以下\ ``demo``\ 变量设置为\ ``False``\ 。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
d2l.DATA_HUB['cifar10_tiny'] = (d2l.DATA_URL + 'kaggle_cifar10_tiny.zip',
'2068874e4b9a9f0fb07ebe0ad2b29754449ccacd')
# 如果使用完整的Kaggle竞赛的数据集,设置demo为False
demo = True
if demo:
data_dir = d2l.download_extract('cifar10_tiny')
else:
data_dir = '../data/cifar-10/'
整理数据集
~~~~~~~~~~
我们需要整理数据集来训练和测试模型。
首先,我们用以下函数读取CSV文件中的标签,它返回一个字典,该字典将文件名中不带扩展名的部分映射到其标签。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def read_csv_labels(fname):
"""读取fname来给标签字典返回一个文件名"""
with open(fname, 'r') as f:
# 跳过文件头行(列名)
lines = f.readlines()[1:]
tokens = [l.rstrip().split(',') for l in lines]
return dict(((name, label) for name, label in tokens))
labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
print('# 训练样本 :', len(labels))
print('# 类别 :', len(set(labels.values())))
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
# 训练样本 : 1000
# 类别 : 10
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def read_csv_labels(fname):
"""读取fname来给标签字典返回一个文件名"""
with open(fname, 'r') as f:
# 跳过文件头行(列名)
lines = f.readlines()[1:]
tokens = [l.rstrip().split(',') for l in lines]
return dict(((name, label) for name, label in tokens))
labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
print('# 训练样本 :', len(labels))
print('# 类别 :', len(set(labels.values())))
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
# 训练样本 : 1000
# 类别 : 10
.. raw:: html
.. raw:: html
接下来,我们定义\ ``reorg_train_valid``\ 函数来将验证集从原始的训练集中拆分出来。
此函数中的参数\ ``valid_ratio``\ 是验证集中的样本数与原始训练集中的样本数之比。
更具体地说,令\ :math:`n`\ 等于样本最少的类别中的图像数量,而\ :math:`r`\ 是比率。
验证集将为每个类别拆分出\ :math:`\max(\lfloor nr\rfloor,1)`\ 张图像。
让我们以\ ``valid_ratio=0.1``\ 为例,由于原始的训练集有50000张图像,因此\ ``train_valid_test/train``\ 路径中将有45000张图像用于训练,而剩下5000张图像将作为路径\ ``train_valid_test/valid``\ 中的验证集。
组织数据集后,同类别的图像将被放置在同一文件夹下。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def copyfile(filename, target_dir):
"""将文件复制到目标目录"""
os.makedirs(target_dir, exist_ok=True)
shutil.copy(filename, target_dir)
#@save
def reorg_train_valid(data_dir, labels, valid_ratio):
"""将验证集从原始的训练集中拆分出来"""
# 训练数据集中样本最少的类别中的样本数
n = collections.Counter(labels.values()).most_common()[-1][1]
# 验证集中每个类别的样本数
n_valid_per_label = max(1, math.floor(n * valid_ratio))
label_count = {}
for train_file in os.listdir(os.path.join(data_dir, 'train')):
label = labels[train_file.split('.')[0]]
fname = os.path.join(data_dir, 'train', train_file)
copyfile(fname, os.path.join(data_dir, 'train_valid_test',
'train_valid', label))
if label not in label_count or label_count[label] < n_valid_per_label:
copyfile(fname, os.path.join(data_dir, 'train_valid_test',
'valid', label))
label_count[label] = label_count.get(label, 0) + 1
else:
copyfile(fname, os.path.join(data_dir, 'train_valid_test',
'train', label))
return n_valid_per_label
下面的\ ``reorg_test``\ 函数用来在预测期间整理测试集,以方便读取。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
#@save
def reorg_test(data_dir):
"""在预测期间整理测试集,以方便读取"""
for test_file in os.listdir(os.path.join(data_dir, 'test')):
copyfile(os.path.join(data_dir, 'test', test_file),
os.path.join(data_dir, 'train_valid_test', 'test',
'unknown'))
最后,我们使用一个函数来调用前面定义的函数\ ``read_csv_labels``\ 、\ ``reorg_train_valid``\ 和\ ``reorg_test``\ 。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
def reorg_cifar10_data(data_dir, valid_ratio):
labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
reorg_train_valid(data_dir, labels, valid_ratio)
reorg_test(data_dir)
在这里,我们只将样本数据集的批量大小设置为32。
在实际训练和测试中,应该使用Kaggle竞赛的完整数据集,并将\ ``batch_size``\ 设置为更大的整数,例如128。
我们将10%的训练样本作为调整超参数的验证集。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
batch_size = 32 if demo else 128
valid_ratio = 0.1
reorg_cifar10_data(data_dir, valid_ratio)
图像增广
--------
我们使用图像增广来解决过拟合的问题。例如在训练中,我们可以随机水平翻转图像。
我们还可以对彩色图像的三个RGB通道执行标准化。
下面,我们列出了其中一些可以调整的操作。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
transform_train = mindspore.dataset.transforms.Compose([
# 在高度和宽度上将图像放大到40像素的正方形
mindspore.dataset.vision.Resize(40),
# 随机裁剪出一个高度和宽度均为40像素的正方形图像,
# 生成一个面积为原始图像面积0.64~1倍的小正方形,
# 然后将其缩放为高度和宽度均为32像素的正方形
mindspore.dataset.vision.RandomResizedCrop(32, scale=(0.64, 1.0),
ratio=(1.0, 1.0)),
mindspore.dataset.vision.RandomHorizontalFlip(),
mindspore.dataset.vision.ToTensor(),
# 标准化图像的每个通道
mindspore.dataset.vision.Normalize([0.4914, 0.4822, 0.4465],
[0.2023, 0.1994, 0.2010], is_hwc=False)])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
transform_train = torchvision.transforms.Compose([
# 在高度和宽度上将图像放大到40像素的正方形
torchvision.transforms.Resize(40),
# 随机裁剪出一个高度和宽度均为40像素的正方形图像,
# 生成一个面积为原始图像面积0.64~1倍的小正方形,
# 然后将其缩放为高度和宽度均为32像素的正方形
torchvision.transforms.RandomResizedCrop(32, scale=(0.64, 1.0),
ratio=(1.0, 1.0)),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
# 标准化图像的每个通道
torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
[0.2023, 0.1994, 0.2010])])
.. raw:: html
.. raw:: html
在测试期间,我们只对图像执行标准化,以消除评估结果中的随机性。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
transform_test = mindspore.dataset.transforms.Compose([
mindspore.dataset.vision.ToTensor(),
mindspore.dataset.vision.Normalize([0.4914, 0.4822, 0.4465],
[0.2023, 0.1994, 0.2010], is_hwc=False)])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
transform_test = torchvision.transforms.Compose([
torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
[0.2023, 0.1994, 0.2010])])
.. raw:: html
.. raw:: html
读取数据集
----------
接下来,我们读取由原始图像组成的数据集,每个样本都包括一张图片和一个标签。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
train_ds, train_valid_ds = [mindspore.dataset.ImageFolderDataset(
os.path.join(data_dir, 'train_valid_test', folder), shuffle=True, decode=True).map(transform_train, 'image')
for folder in ['train', 'train_valid']]
valid_ds, test_ds = [mindspore.dataset.ImageFolderDataset(
os.path.join(data_dir, 'train_valid_test', folder), shuffle=False, decode=True).map(transform_test, 'image')
for folder in ['valid', 'test']]
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
train_ds, train_valid_ds = [torchvision.datasets.ImageFolder(
os.path.join(data_dir, 'train_valid_test', folder),
transform=transform_train) for folder in ['train', 'train_valid']]
valid_ds, test_ds = [torchvision.datasets.ImageFolder(
os.path.join(data_dir, 'train_valid_test', folder),
transform=transform_test) for folder in ['valid', 'test']]
.. raw:: html
.. raw:: html
在训练期间,我们需要指定上面定义的所有图像增广操作。
当验证集在超参数调整过程中用于模型评估时,不应引入图像增广的随机性。
在最终预测之前,我们根据训练集和验证集组合而成的训练模型进行训练,以充分利用所有标记的数据。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
train_iter, train_valid_iter = [dataset.batch(batch_size=batch_size, drop_remainder=True)
for dataset in (train_ds, train_valid_ds)]
valid_iter = valid_ds.batch(batch_size=batch_size, drop_remainder=True)
test_iter = test_ds.batch(batch_size=batch_size, drop_remainder=False)
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
train_iter, train_valid_iter = [torch.utils.data.DataLoader(
dataset, batch_size, shuffle=True, drop_last=True)
for dataset in (train_ds, train_valid_ds)]
valid_iter = torch.utils.data.DataLoader(valid_ds, batch_size, shuffle=False,
drop_last=True)
test_iter = torch.utils.data.DataLoader(test_ds, batch_size, shuffle=False,
drop_last=False)
.. raw:: html
.. raw:: html
定义模型
--------
我们定义了 :numref:`sec_resnet`\ 中描述的Resnet-18模型。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
def get_net():
num_classes = 10
net = d2l.resnet18(num_classes, 3)
return net
loss = nn.CrossEntropyLoss(reduction="none")
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
def get_net():
num_classes = 10
net = d2l.resnet18(num_classes, 3)
return net
loss = nn.CrossEntropyLoss(reduction="none")
.. raw:: html
.. raw:: html
定义训练函数
------------
我们将根据模型在验证集上的表现来选择模型并调整超参数。
下面我们定义了模型训练函数\ ``train``\ 。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
def train(net, train_iter, valid_iter, num_epochs, lr, wd, lr_period, lr_decay):
lr_list = mindspore.Tensor([lr*lr_decay**(i//lr_period)
for i in range(num_epochs)
for j in range(train_iter.get_dataset_size())])
trainer = nn.SGD(net.trainable_params(), learning_rate=lr_list, momentum=0.9,
weight_decay=wd)
def forward_fn(inputs, targets):
logits = net(inputs)
l = loss(logits, targets)
return l, logits
grad_fn = mindspore.value_and_grad(forward_fn, None, trainer.parameters, has_aux=True)
def train_step(inputs, targets):
(l, logits), grads = grad_fn(inputs, targets)
trainer(grads)
return l, logits
num_batches, timer = train_iter.get_dataset_size(), d2l.Timer()
legend = ['train loss', 'train acc']
if valid_iter is not None:
legend.append('valid acc')
animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
legend=legend)
for epoch in range(num_epochs):
net.set_train()
metric = d2l.Accumulator(3)
for i, (features, labels) in enumerate(train_iter):
timer.start()
l, acc = d2l.train_batch_ch13(train_step, features, labels)
metric.add(l, acc, labels.shape[0])
timer.stop()
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,
(metric[0] / metric[2], metric[1] / metric[2],
None))
if valid_iter is not None:
valid_acc = d2l.evaluate_accuracy_gpu(net, valid_iter)
animator.add(epoch + 1, (None, None, valid_acc))
measures = (f'train loss {metric[0] / metric[2]:.3f}, '
f'train acc {metric[1] / metric[2]:.3f}')
if valid_iter is not None:
measures += f', valid acc {valid_acc:.3f}'
print(measures + f'\n{metric[2] * num_epochs / timer.sum():.1f}'
f' examples/sec')
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
def train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
lr_decay):
trainer = torch.optim.SGD(net.parameters(), lr=lr, momentum=0.9,
weight_decay=wd)
scheduler = torch.optim.lr_scheduler.StepLR(trainer, lr_period, lr_decay)
num_batches, timer = len(train_iter), d2l.Timer()
legend = ['train loss', 'train acc']
if valid_iter is not None:
legend.append('valid acc')
animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
legend=legend)
net = nn.DataParallel(net, device_ids=devices).to(devices[0])
for epoch in range(num_epochs):
net.train()
metric = d2l.Accumulator(3)
for i, (features, labels) in enumerate(train_iter):
timer.start()
l, acc = d2l.train_batch_ch13(net, features, labels,
loss, trainer, devices)
metric.add(l, acc, labels.shape[0])
timer.stop()
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,
(metric[0] / metric[2], metric[1] / metric[2],
None))
if valid_iter is not None:
valid_acc = d2l.evaluate_accuracy_gpu(net, valid_iter)
animator.add(epoch + 1, (None, None, valid_acc))
scheduler.step()
measures = (f'train loss {metric[0] / metric[2]:.3f}, '
f'train acc {metric[1] / metric[2]:.3f}')
if valid_iter is not None:
measures += f', valid acc {valid_acc:.3f}'
print(measures + f'\n{metric[2] * num_epochs / timer.sum():.1f}'
f' examples/sec on {str(devices)}')
.. raw:: html
.. raw:: html
训练和验证模型
--------------
现在,我们可以训练和验证模型了,而以下所有超参数都可以调整。
例如,我们可以增加周期的数量。当\ ``lr_period``\ 和\ ``lr_decay``\ 分别设置为4和0.9时,优化算法的学习速率将在每4个周期乘以0.9。
为便于演示,我们在这里只训练20个周期。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
num_epochs, lr, wd = 20, 2e-4, 5e-4
lr_period, lr_decay, net = 4, 0.9, get_net()
train(net, train_iter, valid_iter, num_epochs, lr, wd, lr_period, lr_decay)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
train loss 0.425, train acc 0.854, valid acc 0.469
2780.1 examples/sec
.. figure:: output_kaggle-cifar10_42a34e_85_1.svg
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
devices, num_epochs, lr, wd = d2l.try_all_gpus(), 20, 2e-4, 5e-4
lr_period, lr_decay, net = 4, 0.9, get_net()
train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
lr_decay)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
train loss 0.687, train acc 0.753, valid acc 0.391
5627.3 examples/sec on [device(type='cuda', index=0)]
.. figure:: output_kaggle-cifar10_42a34e_88_1.svg
.. raw:: html
.. raw:: html
在 Kaggle 上对测试集进行分类并提交结果
--------------------------------------
在获得具有超参数的满意的模型后,我们使用所有标记的数据(包括验证集)来重新训练模型并对测试集进行分类。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net, preds = get_net(), []
train(net, train_valid_iter, None, num_epochs, lr, wd, lr_period, lr_decay)
for X, _ in test_iter:
y_hat = net(X)
preds.extend(y_hat.argmax(axis=1).numpy().astype('int32'))
sorted_ids = list(range(1, test_ds.get_dataset_size() + 1))
sorted_ids.sort(key=lambda x: str(x))
df = pd.DataFrame({'id': sorted_ids, 'label': preds})
class_indexing = train_ds.get_class_indexing()
classes = sorted(class_indexing.items(), key=lambda x: x[0])
df['label'] = df['label'].apply(lambda x: classes[x][0])
df.to_csv('submission.csv', index=False)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
train loss 0.369, train acc 0.884
3453.7 examples/sec
.. figure:: output_kaggle-cifar10_42a34e_94_1.svg
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net, preds = get_net(), []
train(net, train_valid_iter, None, num_epochs, lr, wd, devices, lr_period,
lr_decay)
for X, _ in test_iter:
y_hat = net(X.to(devices[0]))
preds.extend(y_hat.argmax(dim=1).type(torch.int32).cpu().numpy())
sorted_ids = list(range(1, len(test_ds) + 1))
sorted_ids.sort(key=lambda x: str(x))
df = pd.DataFrame({'id': sorted_ids, 'label': preds})
df['label'] = df['label'].apply(lambda x: train_valid_ds.classes[x])
df.to_csv('submission.csv', index=False)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
train loss 0.679, train acc 0.752
5867.7 examples/sec on [device(type='cuda', index=0)]
.. figure:: output_kaggle-cifar10_42a34e_97_1.svg
.. raw:: html
.. raw:: html
向Kaggle提交结果的方法与
:numref:`sec_kaggle_house`\ 中的方法类似,上面的代码将生成一个
``submission.csv``\ 文件,其格式符合Kaggle竞赛的要求。
小结
----
- 将包含原始图像文件的数据集组织为所需格式后,我们可以读取它们。
- 我们可以在图像分类竞赛中使用卷积神经网络和图像增广。
练习
----
1. 在这场Kaggle竞赛中使用完整的CIFAR-10数据集。将超参数设为\ ``batch_size = 128``\ ,\ ``num_epochs = 100``\ ,\ ``lr = 0.1``\ ,\ ``lr_period = 50``\ ,\ ``lr_decay = 0.1``\ 。看看在这场比赛中能达到什么准确度和排名。能进一步改进吗?
2. 不使用图像增广时,能获得怎样的准确度?
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html