1 数据增强
在目前分类效果最好的EficientNet系列模型中，EfficientNet-B7版本的模型就是使用随机数据增强方法训练而成的。
RandAugment方法也是目前主流的数据增强方法，用RandAugment方法进行训练，会使模型的精度得到提升。
2 RandAugment
2.1 RandAugment方法简介
RandAugment方法是一种新的数据增强方法，它比自动数据增强（AutOAugment）方法更简单、更好用。它可以在原有的训练框架中，直接对AutoAugment方法进行替换。
2.1.1 Tip
AuoAugment方法包含30多个参数，可以对图片数据进行各种变换（参见arXiv网站上编号为1805.09501的论文)。
2.2 RandAugment方法的构成
RandAugment方法是在AutoAugment方法的基础之上，将30多个参数进行策略级的优化管理，使这30多个参数被简化成两个参数：图片的N次变换和每次变换的强度M。其中每次变换的强度M，取值为0～10（只取整数)，表示使原有图片增强失真的大小。
RandAugment方法以结果为导向，使数据增强过程更加面向用。在减少AutoAugment的运算消耗的同时，又使增强的效果变得可控。详细内容可以参考相关论文(参见arXⅳ网站上编号为1909.13719的论文)。
2.2 代码获取
https://github.com/heartInsert/randaugment # 只有一个代码文件Rand_Augment，py，将其下载后，直接引入代码即可使用。
3 本节案例（带有数据增强的识别）
3.1 案例简介
使用迁移学习对预训练模型进行微调的基础上实现数据增强，让其学习鸟类数据集，实现对多种鸟类进行识别。
3.2 代码实现：load_data函数加载图片名称与标签的加载----Transfer_bird2_Augmentation.py（第1部分）
import glob import numpy as np from PIL import Image import matplotlib.pyplot as plt #plt 用于显示图片 import torch import torch.nn as nn import torch.optim as optim from torch.optim import lr_scheduler from torch.utils.data import Dataset,DataLoader import torchvision import torchvision.models as model from torchvision.transforms import ToPILImage import torchvision.transforms as transforms import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' # 1.1 实现load_data函数加载图片名称与标签的加载，并使用torch.utils.data接口将其封装成程序可用的数据集类OwnDataset。 def load_dir(directory,labstart=0): # 获取所有directory中的所有图与标签 # 返回path指定的文件夹所包含的文件或文件名的名称列表 strlabels = os.listdir(directory) # 对标签进行排序，以便训练和验证按照相同的顺序进行:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。 strlabels.sort() # 创建文件标签列表 file_labels = [] for i,label in enumerate(strlabels): print(label) jpg_names = glob.glob(os.path.join(directory,label,"*.jpg")) print(jpg_names) # 加入列表 file_labels.extend(zip(jpg_names, [i + labstart] * len(jpg_names))) return file_labels,strlabels def load_data(dataset_path): # 定义函数load_data函数完成对数据集中图片文件名称和标签的加载。 # 该函数可以实现两层文件夹的嵌套结构。其中，外层结构使用load_data函数进行遍历，内层结构使用load_dir函进行遍历。 sub_dir = sorted(os.listdir(dataset_path)) # 跳过子文件夹:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。 start = 1 # 第0类是none tfile_lables,tstrlabels = [],['none'] # 在制作标签时，人为地在前面添加了一个序号为0的none类。这是一个训练图文类模型的技巧，为了区分模型输出值是0和预测值是0这两种情况。 for i in sub_dir: directory = os.path.join(dataset_path,i) if os.path.isdir(directory) == False: # 只处理文件夹中的数据 print(directory) continue file_labels,strlables = load_dir(directory,labstart=start) tfile_lables.extend(file_labels) tstrlabels.extend(strlables) start = len(strlables) # 将数据路径与标签解压缩,把数据路径和标签解压缩出来 filenames,labels = zip(*tfile_lables) return filenames, labels, tstrlabels
3.3 代码实现：自定义数据集类OwnDataset----Transfer_bird2_Augmentation.py（第2部分）
# 1.2 实现自定义数据集OwnDataset def default_loader(path) : # 定义函数加载图片 return Image.open(path).convert('RGB') class OwnDataset(Dataset): # 复用性较强，可根据自己的数据集略加修改使用 # 在PyTorch中，提供了一个torch.utis.data接口，可以用来对数据集进行封装。在实现时，只需要继承torch.utis.data.Dataset类，并重载其__gettem__方法。 # 在使用时，框架会向__gettem__方法传入索引index，在__gettem__方法内部根据指定index加载数据，并返回。 def __init__(self,img_dir,labels,indexlist=None,transform=transforms.ToTensor(),loader=default_loader,cache=True): # 初始化 self.labels = labels # 存放标签 self.img_dir = img_dir # 样本图片文件名 self.transform = transform # 预处理方法 self.loader = loader # 加载方法 self.cache = cache # 缓存标志 if indexlist is None: # 要加载的数据序列 self.indexlist = list(range(len(self.img_dir))) else: self.indexlist = indexlist self.data = [None] * len(self.indexlist) # 存放样本图片 def __getitem__(self, idx): # 加载指定索引数据 if self.data[idx] is None: # 第一次加载 data = self.loader(self.img_dir[self.indexlist[idx]]) if self.transform: data = self.transform(data) else: data = self.data[idx] if self.cache: # 保存到缓存里 self.data[idx] = data return data,self.labels[self.indexlist[idx]] def __len__(self): # 计算数据集长度 return len(self.indexlist)
3.4 代码实战：测试数据集----Transfer_bird2_Augmentation.py（第3部分）【数据增强模块】
# 1.3 测试数据集：在完成数据集的制作之后，编写代码对其进行测试。 # 数据增强模块 from Rand_Augment import Rand_Augment data_transform = { #定义数据的预处理方法 'train':transforms.Compose([ Rand_Augment(), # 数据增强的方法带入 仅此一处修改 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]) ]), } def Reduction_img(tensor,mean,std): #还原图片，实现了图片归一化的逆操作，显示数据集中的原始图片。 dtype = tensor.dtype mean = torch.as_tensor(mean,dtype=dtype,device=tensor.device) std = torch.as_tensor(std,dtype=dtype,device=tensor.device) tensor.mul_(std[:,None,None]).add_(mean[:,None,None]) # 还原操作 dataset_path = r'./data/cub200/' # 加载数据集路径 filenames,labels,classes = load_data(dataset_path) # 调用load_data函数对数据集中图片文件名称和标签进行加载，其返回对象classes中包含全部的类名。 # 打乱数据顺序 # 110-115行对数据文件列表的序号进行乱序划分，分为测试数据集和训练数集两个索引列表。该索引列表会传入OwnDataset类做成指定的数据集。 np.random.seed(0) label_shuffle_index = np.random.permutation(len(labels)) label_train_num = (len(labels)//10) * 8 # 划分训练数据集和测试数据集 train_list = label_shuffle_index[0:label_train_num] test_list = label_shuffle_index[label_train_num:] # 没带： train_dataset = OwnDataset(filenames,labels,train_list,data_transform['train'])# 实例化训练数据集 val_dataset = OwnDataset(filenames,labels,test_list,data_transform['val']) # 实例化测试数据集 # 实例化批次数据集：OwnDataset类所定义的数据集，其使用方法与PyTorch中的内置数据集的使用方法完全一致，配合DataLoader接口即可生成可以进行训练或测试的批次数据。具体代码如下。 train_loader = DataLoader(dataset=train_dataset,batch_size=32,shuffle=True) val_loader = DataLoader(dataset=val_dataset,batch_size=32,shuffle=True) sample = iter(train_loader) # 获取一批次数据，进行测试 images,labels = sample.next() print("样本形状",np.shape(images)) print("标签个数",len(classes)) mulimgs = torchvision.utils.make_grid(images[:10],nrow=10) # 拼接多张图片 Reduction_img(mulimgs,[0.485,0.456,0.406],[0.229,0.224,0.225]) _img = ToPILImage()(mulimgs) # 将张量转化为图片 plt.axis('off') plt.imshow(_img) # 显示 plt.show() print(','.join('%5s' % classes[labels[j]] for j in range(len(images[:10]))))
输出：
样本形状 torch.Size([32, 3, 224, 224])
标签个数 6
输出数据集中的10个图片
3.5 代码实战：获取并改造ResNet模型----Transfer_bird2_Augmentation.py（第4部分）
# 1.4 获取并改造ResNet模型：获取ResNet模型，并加载预训练模型的权重。将其最后一层（输出层）去掉，换成一个全新的全连接层，该全连接层的输出节点数与本例分类数相同。 # 指定设备 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(device) # get_ResNet函数，获取预训练模型，可指定pretrained=True来实现自动下载预训练模型，也可指定loadfile来从本地路径加载预训练模型。 def get_ResNet(classes,pretrained=True,loadfile=None): ResNet = model.resnet101(pretrained) # 自动下载官方的预训练模型 if loadfile != None: ResNet.load_state_dict(torch.load(loadfile)) # 加载本地模型 # 将所有的参数层进行冻结：设置模型仅最后一层可以进行训练，使模型只针对最后一层进行微调。 for param in ResNet.parameters(): param.requires_grad = False # 输出全连接层的信息 print(ResNet.fc) x = ResNet.fc.in_features # 获取全连接层的输入 ResNet.fc = nn.Linear(x,len(classes)) # 定义一个新的全连接层 print(ResNet.fc) # 最后输出新的模型 return ResNet ResNet = get_ResNet(classes) # 实例化模型 ResNet.to(device=device)
3.6 代码实战：定义损失函数、训练函数及测试函数，对模型的最后一层进行微调----Transfer_bird2_Augmentation.py（第5部分）
# 1.5 定义损失函数、训练函数及测试函数，对模型的最后一层进行微调。 criterion = nn.CrossEntropyLoss() # 指定新加的全连接层的学习率 optimizer = torch.optim.Adam([{'params':ResNet.fc.parameters()}],lr=0.01) def train(model,device,train_loader,epoch,optimizer): # 定义训练函数 model.train() allloss = [] for batch_idx,data in enumerate(train_loader): x,y = data x = x.to(device) y = y.to(device) optimizer.zero_grad() y_hat = model(x) loss = criterion(y_hat,y) loss.backward() allloss.append(loss.item()) optimizer.step() print('Train Epoch:{}\t Loss:{:.6f}'.format(epoch,np.mean(allloss))) # 输出训练结果 def test(model,device,val_loader): # 定义测试函数 model.eval() test_loss = [] correct = [] with torch.no_grad(): # 使模型在运行时不进行梯度跟踪，可以减少模型运行时对内存的占用。 for i,data in enumerate(val_loader): x, y = data x = x.to(device) y = y.to(device) y_hat = model(x) test_loss.append(criterion(y_hat,y).item()) # 收集损失函数 pred = y_hat.max(1,keepdim=True)[1] # 获取预测结果 correct.append(pred.eq(y.view_as(pred)).sum().item()/pred.shape[0]) # 收集精确度 print('\nTest:Average loss:{:,.4f},Accuracy:({:,.0f}%)\n'.format(np.mean(test_loss),np.mean(correct)*100)) # 输出测试结果 # 迁移学习的两个步骤如下 if __name__ == '__main__': # 迁移学习步骤①：固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛。 firstmodepth = './data/cub200/firstmodepth_1.pth' # 定义模型文件的地址 if os.path.exists(firstmodepth) == False: print("—————————固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛—————————") for epoch in range(1,2): # 迭代两次 train(ResNet,device,train_loader,epoch,optimizer) test(ResNet,device,val_loader) # 保存模型 torch.save(ResNet.state_dict(),firstmodepth)
3.7 代码实战：使用退化学习率对模型进行全局微调----Transfer_bird2_Augmentation.py（第6部分）
# 1.6 使用退化学习率对模型进行全局微调 #迁移学习步骤②：使用较小的学习率，对全部模型进行训练，并对每层的权重进行细微的调节，即将模型的每层权重都设为可训练，并定义带有退化学习率的优化器。（1.6部分） secondmodepth = './data/cub200/firstmodepth_2.pth' optimizer2 = optim.SGD(ResNet.parameters(),lr=0.001,momentum=0.9) # 第198行代码定义带有退化学习率的SGD优化器。该优化器常用来对模型进行手动微调。有实验表明，使用经过手动调节的SGD优化器，在训练模型的后期效果优于Adam优化器。 exp_lr_scheduler = lr_scheduler.StepLR(optimizer2,step_size=2,gamma=0.9) # 由于退化学习率会在训练过程中不断地变小，为了防止学习率过小，最终无法进行权重需要对其设置最小值。当学习率低于该值时，停止对退化学习率的操作。 for param in ResNet.parameters(): # 所有参数设计为可训练 param.requires_grad = True if os.path.exists(secondmodepth): ResNet.load_state_dict(torch.load(secondmodepth)) # 加载本地模型 else: ResNet.load_state_dict(torch.load(firstmodepth)) # 加载本地模型 print("____使用较小的学习率，对全部模型进行训练，定义带有退化学习率的优化器______") for epoch in range(1,100): train(ResNet,device,train_loader,epoch,optimizer2) if optimizer2.state_dict()['param_groups'][0]['lr'] > 0.00001: exp_lr_scheduler.step() print("___lr:",optimizer2.state_dict()['param_groups'][0]['lr']) test(ResNet,device,val_loader) # 保存模型 torch.save(ResNet.state_dict(),secondmodepth)
4 代码总览Transfer_bird2_Augmentation.py
import glob import numpy as np from PIL import Image import matplotlib.pyplot as plt #plt 用于显示图片 import torch import torch.nn as nn import torch.optim as optim from torch.optim import lr_scheduler from torch.utils.data import Dataset,DataLoader import torchvision import torchvision.models as model from torchvision.transforms import ToPILImage import torchvision.transforms as transforms import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' # 1.1 实现load_data函数加载图片名称与标签的加载，并使用torch.utils.data接口将其封装成程序可用的数据集类OwnDataset。 def load_dir(directory,labstart=0): # 获取所有directory中的所有图与标签 # 返回path指定的文件夹所包含的文件或文件名的名称列表 strlabels = os.listdir(directory) # 对标签进行排序，以便训练和验证按照相同的顺序进行:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。 strlabels.sort() # 创建文件标签列表 file_labels = [] for i,label in enumerate(strlabels): print(label) jpg_names = glob.glob(os.path.join(directory,label,"*.jpg")) print(jpg_names) # 加入列表 file_labels.extend(zip(jpg_names, [i + labstart] * len(jpg_names))) return file_labels,strlabels def load_data(dataset_path): # 定义函数load_data函数完成对数据集中图片文件名称和标签的加载。 # 该函数可以实现两层文件夹的嵌套结构。其中，外层结构使用load_data函数进行遍历，内层结构使用load_dir函进行遍历。 sub_dir = sorted(os.listdir(dataset_path)) # 跳过子文件夹:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。 start = 1 # 第0类是none tfile_lables,tstrlabels = [],['none'] # 在制作标签时，人为地在前面添加了一个序号为0的none类。这是一个训练图文类模型的技巧，为了区分模型输出值是0和预测值是0这两种情况。 for i in sub_dir: directory = os.path.join(dataset_path,i) if os.path.isdir(directory) == False: # 只处理文件夹中的数据 print(directory) continue file_labels,strlables = load_dir(directory,labstart=start) tfile_lables.extend(file_labels) tstrlabels.extend(strlables) start = len(strlables) # 将数据路径与标签解压缩,把数据路径和标签解压缩出来 filenames,labels = zip(*tfile_lables) return filenames, labels, tstrlabels # 1.2 实现自定义数据集OwnDataset def default_loader(path) : # 定义函数加载图片 return Image.open(path).convert('RGB') class OwnDataset(Dataset): # 复用性较强，可根据自己的数据集略加修改使用 # 在PyTorch中，提供了一个torch.utis.data接口，可以用来对数据集进行封装。在实现时，只需要继承torch.utis.data.Dataset类，并重载其__gettem__方法。 # 在使用时，框架会向__gettem__方法传入索引index，在__gettem__方法内部根据指定index加载数据，并返回。 def __init__(self,img_dir,labels,indexlist=None,transform=transforms.ToTensor(),loader=default_loader,cache=True): # 初始化 self.labels = labels # 存放标签 self.img_dir = img_dir # 样本图片文件名 self.transform = transform # 预处理方法 self.loader = loader # 加载方法 self.cache = cache # 缓存标志 if indexlist is None: # 要加载的数据序列 self.indexlist = list(range(len(self.img_dir))) else: self.indexlist = indexlist self.data = [None] * len(self.indexlist) # 存放样本图片 def __getitem__(self, idx): # 加载指定索引数据 if self.data[idx] is None: # 第一次加载 data = self.loader(self.img_dir[self.indexlist[idx]]) if self.transform: data = self.transform(data) else: data = self.data[idx] if self.cache: # 保存到缓存里 self.data[idx] = data return data,self.labels[self.indexlist[idx]] def __len__(self): # 计算数据集长度 return len(self.indexlist) # 1.3 测试数据集：在完成数据集的制作之后，编写代码对其进行测试。 # 数据增强模块 from Rand_Augment import Rand_Augment data_transform = { #定义数据的预处理方法 'train':transforms.Compose([ Rand_Augment(), # 数据增强的方法带入 仅此一处修改 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]) ]), } def Reduction_img(tensor,mean,std): #还原图片，实现了图片归一化的逆操作，显示数据集中的原始图片。 dtype = tensor.dtype mean = torch.as_tensor(mean,dtype=dtype,device=tensor.device) std = torch.as_tensor(std,dtype=dtype,device=tensor.device) tensor.mul_(std[:,None,None]).add_(mean[:,None,None]) # 还原操作 dataset_path = r'./data/cub200/' # 加载数据集路径 filenames,labels,classes = load_data(dataset_path) # 调用load_data函数对数据集中图片文件名称和标签进行加载，其返回对象classes中包含全部的类名。 # 打乱数据顺序 # 110-115行对数据文件列表的序号进行乱序划分，分为测试数据集和训练数集两个索引列表。该索引列表会传入OwnDataset类做成指定的数据集。 np.random.seed(0) label_shuffle_index = np.random.permutation(len(labels)) label_train_num = (len(labels)//10) * 8 # 划分训练数据集和测试数据集 train_list = label_shuffle_index[0:label_train_num] test_list = label_shuffle_index[label_train_num:] # 没带： train_dataset = OwnDataset(filenames,labels,train_list,data_transform['train'])# 实例化训练数据集 val_dataset = OwnDataset(filenames,labels,test_list,data_transform['val']) # 实例化测试数据集 # 实例化批次数据集：OwnDataset类所定义的数据集，其使用方法与PyTorch中的内置数据集的使用方法完全一致，配合DataLoader接口即可生成可以进行训练或测试的批次数据。具体代码如下。 train_loader = DataLoader(dataset=train_dataset,batch_size=32,shuffle=True) val_loader = DataLoader(dataset=val_dataset,batch_size=32,shuffle=True) sample = iter(train_loader) # 获取一批次数据，进行测试 images,labels = sample.next() print("样本形状",np.shape(images)) print("标签个数",len(classes)) mulimgs = torchvision.utils.make_grid(images[:10],nrow=10) # 拼接多张图片 Reduction_img(mulimgs,[0.485,0.456,0.406],[0.229,0.224,0.225]) _img = ToPILImage()(mulimgs) # 将张量转化为图片 plt.axis('off') plt.imshow(_img) # 显示 plt.show() print(','.join('%5s' % classes[labels[j]] for j in range(len(images[:10])))) # 1.4 获取并改造ResNet模型：获取ResNet模型，并加载预训练模型的权重。将其最后一层（输出层）去掉，换成一个全新的全连接层，该全连接层的输出节点数与本例分类数相同。 # 指定设备 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(device) # get_ResNet函数，获取预训练模型，可指定pretrained=True来实现自动下载预训练模型，也可指定loadfile来从本地路径加载预训练模型。 def get_ResNet(classes,pretrained=True,loadfile=None): ResNet = model.resnet101(pretrained) # 自动下载官方的预训练模型 if loadfile != None: ResNet.load_state_dict(torch.load(loadfile)) # 加载本地模型 # 将所有的参数层进行冻结：设置模型仅最后一层可以进行训练，使模型只针对最后一层进行微调。 for param in ResNet.parameters(): param.requires_grad = False # 输出全连接层的信息 print(ResNet.fc) x = ResNet.fc.in_features # 获取全连接层的输入 ResNet.fc = nn.Linear(x,len(classes)) # 定义一个新的全连接层 print(ResNet.fc) # 最后输出新的模型 return ResNet ResNet = get_ResNet(classes) # 实例化模型 ResNet.to(device=device) # 1.5 定义损失函数、训练函数及测试函数，对模型的最后一层进行微调。 criterion = nn.CrossEntropyLoss() # 指定新加的全连接层的学习率 optimizer = torch.optim.Adam([{'params':ResNet.fc.parameters()}],lr=0.01) def train(model,device,train_loader,epoch,optimizer): # 定义训练函数 model.train() allloss = [] for batch_idx,data in enumerate(train_loader): x,y = data x = x.to(device) y = y.to(device) optimizer.zero_grad() y_hat = model(x) loss = criterion(y_hat,y) loss.backward() allloss.append(loss.item()) optimizer.step() print('Train Epoch:{}\t Loss:{:.6f}'.format(epoch,np.mean(allloss))) # 输出训练结果 def test(model,device,val_loader): # 定义测试函数 model.eval() test_loss = [] correct = [] with torch.no_grad(): # 使模型在运行时不进行梯度跟踪，可以减少模型运行时对内存的占用。 for i,data in enumerate(val_loader): x, y = data x = x.to(device) y = y.to(device) y_hat = model(x) test_loss.append(criterion(y_hat,y).item()) # 收集损失函数 pred = y_hat.max(1,keepdim=True)[1] # 获取预测结果 correct.append(pred.eq(y.view_as(pred)).sum().item()/pred.shape[0]) # 收集精确度 print('\nTest:Average loss:{:,.4f},Accuracy:({:,.0f}%)\n'.format(np.mean(test_loss),np.mean(correct)*100)) # 输出测试结果 # 迁移学习的两个步骤如下 if __name__ == '__main__': # 迁移学习步骤①：固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛。 firstmodepth = './data/cub200/firstmodepth_1.pth' # 定义模型文件的地址 if os.path.exists(firstmodepth) == False: print("—————————固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛—————————") for epoch in range(1,2): # 迭代两次 train(ResNet,device,train_loader,epoch,optimizer) test(ResNet,device,val_loader) # 保存模型 torch.save(ResNet.state_dict(),firstmodepth) # 1.6 使用退化学习率对模型进行全局微调 #迁移学习步骤②：使用较小的学习率，对全部模型进行训练，并对每层的权重进行细微的调节，即将模型的每层权重都设为可训练，并定义带有退化学习率的优化器。（1.6部分） secondmodepth = './data/cub200/firstmodepth_2.pth' optimizer2 = optim.SGD(ResNet.parameters(),lr=0.001,momentum=0.9) # 第198行代码定义带有退化学习率的SGD优化器。该优化器常用来对模型进行手动微调。有实验表明，使用经过手动调节的SGD优化器，在训练模型的后期效果优于Adam优化器。 exp_lr_scheduler = lr_scheduler.StepLR(optimizer2,step_size=2,gamma=0.9) # 由于退化学习率会在训练过程中不断地变小，为了防止学习率过小，最终无法进行权重需要对其设置最小值。当学习率低于该值时，停止对退化学习率的操作。 for param in ResNet.parameters(): # 所有参数设计为可训练 param.requires_grad = True if os.path.exists(secondmodepth): ResNet.load_state_dict(torch.load(secondmodepth)) # 加载本地模型 else: ResNet.load_state_dict(torch.load(firstmodepth)) # 加载本地模型 print("____使用较小的学习率，对全部模型进行训练，定义带有退化学习率的优化器______") for epoch in range(1,100): train(ResNet,device,train_loader,epoch,optimizer2) if optimizer2.state_dict()['param_groups'][0]['lr'] > 0.00001: exp_lr_scheduler.step() print("___lr:",optimizer2.state_dict()['param_groups'][0]['lr']) test(ResNet,device,val_loader) # 保存模型 torch.save(ResNet.state_dict(),secondmodepth)
