通過本教程，讀者將能夠在選擇的任何圖像數(shù)據(jù)集上，構(gòu)建和訓(xùn)練圖像識別器，同時充分了解底層模型架構(gòu)和訓(xùn)練過程。教程內(nèi)容包括數(shù)據(jù)提取、數(shù)據(jù)可視化、CNN、ResNets、遷移學(xué)習(xí)、結(jié)果解釋、微調(diào)等。

這是一篇長文教程，建議大家讀不完的話一定要收藏，利用閑暇時光將其讀完！更加歡迎將本文轉(zhuǎn)發(fā)給同學(xué)、朋友、同事等。

本文的目標(biāo)是能夠讓你可以在任何圖像數(shù)據(jù)集上構(gòu)建和訓(xùn)練圖像識別器，同時充分了解底層模型架構(gòu)和培訓(xùn)過程。

目標(biāo)讀者：任何研究圖像識別、或?qū)Υ祟I(lǐng)域感興趣的初學(xué)者

教程目錄：

數(shù)據(jù)提取

數(shù)據(jù)可視化

模型訓(xùn)練

結(jié)果解釋

模型層的凍結(jié)和解凍

微調(diào)

教程所使用的Jupyter notebook：

https://github.com/SalChem/Fastai-iNotes-iTutorials/blob/master/Image_Recognition_Basics.ipynb

更簡單直接的方式是登錄Google Colab：

https://colab.research.google.com/github/SalChem/Fastai-iNotes-iTutorials/blob/master/Image_Recognition_Basics.ipynb

注意：使用Google Colab之前，確保你做了如下設(shè)置

Runtime -> Change runtime type -> Hardware Accelerator -> GPU

設(shè)置IPython內(nèi)核并初始化

加載依賴庫

初始化

其中，bs 代表batch size，意為每次送入模型的訓(xùn)練圖像的數(shù)量。每次batch迭代后都會更新模型參數(shù)。

比如我們有640個圖像，那么bs=64；參數(shù)將在1 epoch的過程中更新10次。

如果你運行教程過程中提示內(nèi)存不足，可以使用較小的bs，按照2的倍數(shù)增減即可。

使用特定值初始化上面的偽隨機數(shù)生成器可使系統(tǒng)穩(wěn)定，從而產(chǎn)生可重現(xiàn)的結(jié)果。

數(shù)據(jù)提取

數(shù)據(jù)集來自O(shè)xford-IIIT Pet Dataset，可以使用fastai數(shù)據(jù)集對模塊進行檢索。

URLs.PETS 是數(shù)據(jù)集的url。這里提供了12個品種的貓和25個品種的狗。untar_data 解壓并下載數(shù)據(jù)文件到 path。

PosixPath('/home/jupyter/.fastai/data/oxford-iiit-pet/images/scottish_terrier_119.jpg')

每個圖像的標(biāo)簽都包含在圖像文件名中，需要使用正則表達式提取。模式如下：

創(chuàng)建訓(xùn)練并驗證數(shù)據(jù)集：

ImageDataBunch 根據(jù)路徑 path_img 中的圖像創(chuàng)建訓(xùn)練數(shù)據(jù)集 train_ds 和驗證數(shù)據(jù)集 valid_ds。

from_name_re 使用在編譯表達式模式 pat 后獲得的正則表達式從文件名 fnames 列表中獲取標(biāo)簽。

df_tfms 是即時應(yīng)用于圖像的轉(zhuǎn)換。在這里，圖像將調(diào)整為 224x224，居中，裁剪和縮放。

這種轉(zhuǎn)換是數(shù)據(jù)增強的實例，不會更改圖像內(nèi)部的內(nèi)容，但會更改其像素值以獲得更好的模型概括。

normalize 使用ImageNet圖像的標(biāo)準(zhǔn)偏差和平均值對數(shù)據(jù)進行標(biāo)準(zhǔn)化。

數(shù)據(jù)可視化

訓(xùn)練數(shù)據(jù)樣本表示為

(Image (3, 224, 224), Category scottish_terrier)

Image里是RGB數(shù)值，Category 是圖像標(biāo)簽。對應(yīng)的圖像如下：

len（data.train_ds）和len（data.valid_ds）分別輸出訓(xùn)練樣本5912和驗證樣本數(shù)量1478。

data.c和data.classes分別輸出類及其標(biāo)簽的數(shù)量。下面的標(biāo)簽共有37個類別：

['Abyssinian', 'Bengal', 'Birman', 'Bombay', 'British_Shorthair', 'Egyptian_Mau', 'Maine_Coon', 'Persian', 'Ragdoll', 'Russian_Blue', 'Siamese', 'Sphynx', 'american_bulldog', 'american_pit_bull_terrier', 'basset_hound', 'beagle','boxer', 'chihuahua', 'english_cocker_spaniel', 'english_setter', 'german_shorthaired', 'great_pyrenees', 'havanese', 'japanese_chin', 'keeshond', 'leonberger', 'miniature_pinscher', 'newfoundland', 'pomeranian', 'pug', 'saint_bernard', 'samoyed', 'scottish_terrier', 'shiba_inu', 'staffordshire_bull_terrier', 'wheaten_terrier', 'yorkshire_terrier']

show_batch 顯示一些batch里的圖片。

模型訓(xùn)練

cnn_learner 使用來自給定架構(gòu)的預(yù)訓(xùn)練模型構(gòu)建CNN學(xué)習(xí)器、來自預(yù)訓(xùn)練模型的學(xué)習(xí)參數(shù)用于初始化模型，允許更快的收斂和高精度。我們使用的CNN架構(gòu)是ResNet34。下圖是一個典型的CNN架構(gòu)。

ResNet34后面的數(shù)字可以隨意更改，比如改成ResNet50。數(shù)字越大，GPU內(nèi)存消耗越高。

讓我們繼續(xù)，現(xiàn)在可以在數(shù)據(jù)集上訓(xùn)練模型了！

fit_one_cycle會按預(yù)設(shè)epoch數(shù)訓(xùn)練模型，比如4個epoch。

epoch數(shù)表示模型查看整個圖像集的次數(shù)。但是，在每個epoch中，隨著數(shù)據(jù)的增加，同一張圖像都會與上個epoch略有不同。

通常，度量誤差將隨著epoch的增加而下降。只要驗證集的精度不斷提高，增加epoch數(shù)量就是個好辦法。然而，epoch過多可能導(dǎo)致模型學(xué)習(xí)了特定的圖像，而不是一般的類，要避免這種情況出現(xiàn)。

剛才提到的訓(xùn)練就是我們所說的“特征提取”，所以只對模型的頭部（最底下的幾層）的參數(shù)進行了更新。接下來將嘗試對全部層的參數(shù)進行微調(diào)。

恭喜！模型已成功訓(xùn)練，可以識別貓和狗了。識別準(zhǔn)確率大約是93.5%。

還能進步嗎？這要等到微調(diào)之后了。

我們保存當(dāng)前的模型參數(shù)，以便重新加載時使用。

對預(yù)測結(jié)果的解釋

現(xiàn)在我們看看如何正確解釋當(dāng)前的模型結(jié)果。

ClassificationInterpretation提供錯誤分類圖像的可視化實現(xiàn)。

plot_top_losses顯示最高損失的圖像及其：預(yù)測標(biāo)簽/實際標(biāo)簽/損失/實際圖像類別的概率

高損失意味著對錯誤答案出現(xiàn)的高信度。繪制最高損失是可視化和解釋分類結(jié)果的好方法。

具有最高損失的錯誤分類圖像

分類混淆矩陣

在混淆矩陣中，對角線元素表示預(yù)測標(biāo)簽與真實標(biāo)簽相同的圖像的數(shù)量，而非對角線元素是由分類器錯誤標(biāo)記的元素。

most_confused只突出顯示預(yù)測分類和實際類別中最混亂的組合，換句話說，就是分類最常出錯的那些組合。從圖中可以看到，模型經(jīng)常將斯塔?？ざ放Ｈe誤分類為美國斗牛犬，它們實際上看起來非常像。

[('Siamese', 'Birman', 6), ('american_pit_bull_terrier', 'staffordshire_bull_terrier', 5), ('staffordshire_bull_terrier', 'american_pit_bull_terrier', 5), ('Maine_Coon', 'Ragdoll', 4), ('beagle', 'basset_hound', 4), ('chihuahua', 'miniature_pinscher', 3), ('staffordshire_bull_terrier', 'american_bulldog', 3), ('Birman', 'Ragdoll', 2), ('British_Shorthair', 'Russian_Blue', 2), ('Egyptian_Mau', 'Abyssinian', 2), ('Ragdoll', 'Birman', 2), ('american_bulldog', 'staffordshire_bull_terrier', 2), ('boxer', 'american_pit_bull_terrier', 2), ('chihuahua', 'shiba_inu', 2), ('miniature_pinscher', 'american_pit_bull_terrier', 2), ('yorkshire_terrier', 'havanese', 2)]

對網(wǎng)絡(luò)層的凍結(jié)和解凍

在默認(rèn)情況下，在fastai中，使用預(yù)訓(xùn)練的模型對較早期的層進行凍結(jié)，使網(wǎng)絡(luò)只能更改最后一層的參數(shù)，如上所述。凍結(jié)第一層，僅訓(xùn)練較深的網(wǎng)絡(luò)層可以顯著降低計算量。

我們總是可以調(diào)用unfreeze函數(shù)來訓(xùn)練所有網(wǎng)絡(luò)層，然后再使用fit或fit_one_cycle。這就是所謂的“微調(diào)”，這是在調(diào)整整個網(wǎng)絡(luò)的參數(shù)。

現(xiàn)在的準(zhǔn)確度比以前略差。這是為什么？

這是因為我們以相同的速度更新了所有層的參數(shù)，這不是我們想要的，因為第一層不需要像最后一層那樣需要做太多變動?？刂茩?quán)重更新量的超參數(shù)稱為“學(xué)習(xí)率”，也叫步長。它可以根據(jù)損失的梯度調(diào)整權(quán)重，目的是減少損失。例如，在最常見的梯度下降優(yōu)化器中，權(quán)重和學(xué)習(xí)率之間的關(guān)系如下：

順便說一下，梯度只是一個向量，它是導(dǎo)數(shù)在多變量領(lǐng)域的推廣。

因此，對模型進行微調(diào)的更好方法是對較低層和較高層使用不同的學(xué)習(xí)率，通常稱為差異或判別學(xué)習(xí)率。

本教程中可以互換使用參數(shù)和權(quán)重。更準(zhǔn)確地說，參數(shù)是權(quán)重和偏差。但請注意，超參數(shù)和參數(shù)不一樣，超參數(shù)無法在訓(xùn)練中進行估計。

對預(yù)測模型的微調(diào)

為了找到最適合微調(diào)模型的學(xué)習(xí)率，我們使用學(xué)習(xí)速率查找器，可以逐漸增大學(xué)習(xí)速率，并且在每個batch之后記錄相應(yīng)的損失。在fastai庫通過lr_find來實現(xiàn)。

首先加載之前保存的模型，并運行l(wèi)r_find

recorder.plot可用于繪制損失與學(xué)習(xí)率的關(guān)系圖。當(dāng)損失開始發(fā)散時，停止運行。

從得到的圖中，我們一致認(rèn)為適當(dāng)?shù)膶W(xué)習(xí)率約為1e-4或更小，超過這個范圍，損失就開始增大并失去控制。我們將最后一層的學(xué)習(xí)速率設(shè)為1e-4，更早期的層設(shè)為1e-6。同樣，這是因為早期的層已經(jīng)訓(xùn)練得很好了，用來捕獲通用特征，不需要那么頻繁的更新。

我們之前的實驗中使用的學(xué)習(xí)率為0.003，這是該庫的默認(rèn)設(shè)置。

在我們使用這些判別性學(xué)習(xí)率訓(xùn)練我們的模型之前，讓我們揭開fit_one_cycle和fitmethods之間的差異，因為兩者都是訓(xùn)練模型的合理選擇。這個討論對于理解訓(xùn)練過程非常有價值，但可以直接跳到結(jié)果。

fit_one_cycle vs fit：

簡而言之，二者之間不同之處在于fit_one_cycle實現(xiàn)了Leslie Smith 循環(huán)策略，而沒有使用固定或逐步降低的學(xué)習(xí)率來更新網(wǎng)絡(luò)的參數(shù)，而是在兩個合理的較低和較高學(xué)習(xí)速率范圍之間振蕩。

訓(xùn)練中的學(xué)習(xí)率超參數(shù)

在微調(diào)深度神經(jīng)網(wǎng)絡(luò)時，良好的學(xué)習(xí)率超參數(shù)是至關(guān)重要的。使用較高的學(xué)習(xí)率可以讓網(wǎng)絡(luò)更快地學(xué)習(xí)，但是學(xué)習(xí)率太高可能使模型無法收斂。另一方面，學(xué)習(xí)率太小會使訓(xùn)練速度過于緩慢。

不同水平的學(xué)習(xí)率對模型收斂性的影響

在本文的實例中，我們通過查看不同學(xué)習(xí)率下記錄的損失，估算出合適的學(xué)習(xí)率。在更新網(wǎng)絡(luò)參數(shù)時，可以將此學(xué)習(xí)率作為固定學(xué)習(xí)率。換句話說，就是對所有訓(xùn)練迭代使用相同的學(xué)習(xí)率，可以使用learn.fit來實現(xiàn)。一種更好的方法是，隨著訓(xùn)練的進行逐步改變學(xué)習(xí)率。有兩種方法可以實現(xiàn)，即學(xué)習(xí)率規(guī)劃（設(shè)定基于時間的衰減，逐步衰減，指數(shù)衰減等），以及自適應(yīng)學(xué)習(xí)速率法（Adagrad，RMSprop，Adam等）。

簡單的1cycle策略

1cycle策略是一種學(xué)習(xí)率調(diào)度器，讓學(xué)習(xí)率在合理的最小和最大邊界之間振蕩。制定這兩個邊界有什么價值呢？上限是我們從學(xué)習(xí)速率查找器獲得的，而最小界限可以小到上限的十分之一。這種方法的優(yōu)點是可以克服局部最小值和鞍點，這些點是平坦表面上的點，通常梯度很小。事實證明，1cycle策略比其他調(diào)度或自適應(yīng)學(xué)習(xí)方法更快、更準(zhǔn)確。Fastai在fit_one_cycle中實現(xiàn)了cycle策略，在內(nèi)部調(diào)用固定學(xué)習(xí)率方法和OneCycleScheduler回調(diào)。

1cycle的一個周期長度

下圖顯示了超收斂方法如何在Cifar-10的迭代次數(shù)更少的情況下達到比典型（分段常數(shù)）訓(xùn)練方式更高的精度，兩者都使用56層殘余網(wǎng)絡(luò)架構(gòu)。

超收斂精度測試與Cifar-10上具有相同架構(gòu)模型的典型訓(xùn)練機制

揭曉真相的時刻到了

在選擇了網(wǎng)絡(luò)層的判別學(xué)習(xí)率之后，就可以解凍模型，并進行相應(yīng)的訓(xùn)練了。

Slice函數(shù)將網(wǎng)絡(luò)的最后一層學(xué)習(xí)率設(shè)為1e-4，將第一層學(xué)習(xí)率設(shè)為1e-6。中間各層在此范圍內(nèi)以相等的增量設(shè)定學(xué)習(xí)率。

結(jié)果，預(yù)測準(zhǔn)確度有所提升，但提升的并不多，我們想知道，這時是否需要對模型進行微調(diào)？

在微調(diào)任何模型之前始終要考慮的兩個關(guān)鍵因素就是數(shù)據(jù)集的大小及其與預(yù)訓(xùn)練模型的數(shù)據(jù)集的相似性。在我們的例子中，我們使用“寵物”數(shù)據(jù)集類似于ImageNet中的圖像，數(shù)據(jù)集相對較小，所以我們從一開始就實現(xiàn)了高分類精度，而沒有對整個網(wǎng)絡(luò)進行微調(diào)。

盡管如此，我們?nèi)匀荒軌驅(qū)冉Y(jié)果進行改進，并從中學(xué)到很多東西。

下圖說明了使用和微調(diào)預(yù)訓(xùn)練模型的三種合理方法。在本教程中，我們嘗試了第一個和第三個策略。第二個策略在數(shù)據(jù)集較小，但與預(yù)訓(xùn)練模型的數(shù)據(jù)集不同，或者數(shù)據(jù)集較大，但與預(yù)訓(xùn)練模型的數(shù)據(jù)集相似的情況下也很常見。

在預(yù)訓(xùn)練模型上微調(diào)策略

恭喜，我們已經(jīng)成功地使用最先進的CNN覆蓋了圖像分類任務(wù)，網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)和訓(xùn)練過程都打下了堅實的基礎(chǔ)。

至此，你已經(jīng)可以自己的數(shù)據(jù)集上構(gòu)建圖像識別器了。如果你覺得還沒有準(zhǔn)備好，可以從Google Image抓取一部分圖片組成自己的數(shù)據(jù)集。

開始體驗吧！