【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

(0)

相关推荐