基于Intel Math Kernel Library的猫狗分类模型

1. 项目介绍
   猫狗分类的图像数据集是一个广泛用于计算机视觉任务的数据集，旨在训练机器学习模型来区分猫和狗的图像。这个数据集通常包括大量的猫和狗的图像，这些图像通常已经被标记为猫或狗。
   
   在这个项目中，我们要使用RNN也就是循环神经网络来对猫狗图像进行分类。而我为什么要采用这个方法来做呢，因为之前学的模型基本上都是卷积神经网络来做图像分类，我现在想在这个数据集上尝试一下对于猫狗数据集的分类效果。
   
2. 模型思路使用RNN来做图像分类的思路相对于传统的卷积神经网络（CNN）来说比较新颖。其中一种方法是将RNN应用于图像的每个像素，通过学习像素之间的空间关系来预测每个像素的标签。具体而言，可以使用一种称为LSTM（长短期记忆）的RNN架构，该架构可以记住之前的上下文信息，从而更好地理解图像中像素之间的关系。在训练期间，可以使用城市景观数据集中的高分辨率图像和注释来训练模型。在测试期间，该模型可以将新的高分辨率图像输入到网络中，并输出每个像素的标签，从而实现对图像的分类。需要注意的是，由于RNN需要处理每个像素，因此它的计算成本较高，这可能会导致训练时间较长。
   模型示意图如下：

def train():

opts = get_argparser_train().parse_args(args=[])

if opts.dataset.lower() == ‘cityscapes’:

opts.num_classes = 19

# Setup visualization

vis = Visualizer(port=opts.vis_port,

env=opts.vis_env) if opts.enable_vis else None

if vis is not None: # display options

vis.vis_table(“Options”, vars(opts))

os.environ[‘CUDA_VISIBLE_DEVICES’] = opts.gpu_id

device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’)

print(“Device: %s“ % device)

# Setup random seed

torch.manual_seed(opts.random_seed)

np.random.seed(opts.random_seed)

random.seed(opts.random_seed)

train_dst, val_dst = get_dataset(opts)

train_loader = data.DataLoader(

train_dst, batch_size=opts.batch_size, shuffle=True, num_workers=2,

drop_last=True) # drop_last=True to ignore single-image batches.

val_loader = data.DataLoader(

val_dst, batch_size=opts.val_batch_size, shuffle=True, num_workers=2)

print(“Dataset: %s, Train set: %d, Val set: %d“ %

(opts.dataset, len(train_dst), len(val_dst)))

# Set up model (all models are ‘constructed at network.modeling)

model = network.modeling.__dict__[opts.model](num_classes=opts.num_classes, output_stride=opts.output_stride)

if opts.separable_conv and ‘plus’ in opts.model:

network.convert_to_separable_conv(model.classifier)

utils.set_bn_momentum(model.backbone, momentum=0.01)

# Set up metrics

metrics = StreamSegMetrics(opts.num_classes)

# Set up optimizer

optimizer = torch.optim.SGD(params=[

{‘params’: model.backbone.parameters(), ‘lr’: 0.1 * opts.lr},

{‘params’: model.classifier.parameters(), ‘lr’: opts.lr},

], lr=opts.lr, momentum=0.9, weight_decay=opts.weight_decay)

# optimizer = torch.optim.SGD(params=model.parameters(), lr=opts.lr, momentum=0.9, weight_decay=opts.weight_decay)

# torch.optim.lr_scheduler.StepLR(optimizer, step_size=opts.lr_decay_step, gamma=opts.lr_decay_factor)

if opts.lr_policy == ‘poly’:

scheduler = utils.PolyLR(optimizer, opts.total_itrs, power=0.9)

elif opts.lr_policy == ‘step’:

scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=opts.step_size, gamma=0.1)

# Set up criterion

# criterion = utils.get_loss(opts.loss_type)

if opts.loss_type == ‘focal_loss’:

criterion = utils.FocalLoss(ignore_index=255, size_average=True)

elif opts.loss_type == ‘cross_entropy’:

criterion = nn.CrossEntropyLoss(ignore_index=255, reduction=‘mean’)

def save_ckpt(path):

“”” save current model

“””

torch.save({

“cur_itrs”: cur_itrs,

“model_state”: model.module.state_dict(),

“optimizer_state”: optimizer.state_dict(),

“scheduler_state”: scheduler.state_dict(),

“best_score”: best_score,

}, path)

print(“Model saved as %s“ % path)

utils.mkdir(‘./result/checkpoints’)

# Restore

best_score = 0.0

cur_itrs = 0

cur_epochs = 0

if opts.ckpt is not None and os.path.isfile(opts.ckpt):

checkpoint = torch.load(opts.ckpt, map_location=torch.device(‘cpu’))

model.load_state_dict(checkpoint[“model_state”])

model = nn.DataParallel(model)

model.to(device)

if opts.continue_training:

optimizer.load_state_dict(checkpoint[“optimizer_state”])

scheduler.load_state_dict(checkpoint[“scheduler_state”])

cur_itrs = checkpoint[“cur_itrs”]

best_score = checkpoint[‘best_score’]

print(“Training state restored from %s“ % opts.ckpt)

print(“Model restored from %s“ % opts.ckpt)

del checkpoint # free memory

else:

print(“[!] Retrain”)

model = nn.DataParallel(model)

model.to(device)

# ========== Train Loop ==========#

vis_sample_id = np.random.randint(0, len(val_loader), opts.vis_num_samples,

np.int32) if opts.enable_vis else None # sample idxs for visualization

denorm = utils.Denormalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # denormalization for ori images

if opts.test_only:

model.eval（)

val_score, ret_samples = validate(

opts=opts, model=model, loader=val_loader, device=device, metrics=metrics, ret_samples_ids=vis_sample_id)

print(metrics.to_str(val_score))

return

interval_loss = 0

while True:

# 开始训练

model.train()

cur_epochs += 1

for (images, labels) in train_loader:

cur_itrs += 1

images = images.to(device, dtype=torch.float32)

labels = labels.to(device, dtype=torch.long)

optimizer.zero_grad()

outputs = model(images)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

np_loss = loss.detach().cpu().numpy()

interval_loss += np_loss

if vis is not None:

vis.vis_scalar(‘Loss’, cur_itrs, np_loss)

if (cur_itrs) % 10 == 0:

interval_loss = interval_loss / 10

print(“Epoch %d, Itrs %d/%d, Loss=%f“ %

(cur_epochs, cur_itrs, opts.total_itrs, interval_loss))

interval_loss = 0.0

if (cur_itrs) % opts.val_interval == 0:

save_ckpt(‘./result/checkpoints/latest_%s_%s_os%d.pth’ %

(opts.model, opts.dataset, opts.output_stride))

print(“validation…”)

model.eval（)

val_score, ret_samples = validate(

opts=opts, model=model, loader=val_loader, device=device, metrics=metrics,

ret_samples_ids=vis_sample_id)

print(metrics.to_str(val_score))

if val_score[‘Mean IoU’] > best_score: # save best model

best_score = val_score[‘Mean IoU’]

save_ckpt(‘./result/checkpoints/best_%s_%s_os%d.pth服务器托管网‘ %

(opts.model, opts.dataset, opts.output_stride))

if vis is not None:

vis.vis_scalar(“[Val] Overall Acc”, cur_itrs, val_score[‘Overall Acc’])

vis.vis_scalar(“[Val] Mean IoU”, cur_itrs, val_score[‘Mean IoU’])

vis.vis_table(“[Val] Class IoU”, val_score[‘Class IoU’])

for k, (img, target, lbl) in enumerate(ret_samples):

img = (denorm(img) * 255).astype(np.uint8)

target = train_dst.decode_target(target).transpose(2, 0, 1).astype(np.uint8)

lbl = train_dst.decode_target(lbl).transpose(2, 0, 1).astype(np.uint8)

concat_img = np.concatenate((img, target, lbl), axis=2) # concat along width

vis.vis_image(‘Sample %d‘ % k, concat_img)

model服务器托管网.train()

scheduler.step()

if cur_itrs >= opts.total_itrs:

return

1. 学习心得在构建过程我学习到了很多：
   
   1. 理解序列数据：RNN适用于处理序列数据，如语音、文本和时间序列数据。学习RNN可以帮助我们更好地理解序列数据的特点和处理方法。
   
   2. 掌握长短期记忆（LSTM）：LSTM是一种特殊类型的RNN，能够记住长序列的信息，并避免梯度消失和梯度爆炸问题。学习LSTM可以帮助我们更好地掌握RNN的核心概念和应用。
   
   3. 实现文本生成：RNN可以用于自然语言处理任务，如文本生成和机器翻译。学习RNN可以帮助我们了解如何使用神经网络生成自然语言。
   
   4. 图像处理：虽然CNN通常用于图像处理任务，但是RNN也可以用于图像处理，如图像分类和图像描述生成。学习RNN可以帮助我们了解如何使用神经网络处理图像数据。
   
2. 构建以及训练在训练过程中，需要注意的是：
   数据预处理：在将数据输入到神经网络之前，需要对数据进行预处理。这包括对数据进行归一化、标准化、缩放和平移等操作，以便使数据更易于处理和训练。
   
   模型选择：不同的神经网络模型适用于不同的任务。在选择模型时，需要考虑任务的复杂性、数据的大小和类型、训练时间和计算资源等因素。
   
   超参数调整：神经网络有许多超参数，如学习率、批量大小、迭代次数等。在训练过程中，需要对这些超参数进行调整，以便使模型更好地适应数据。
   
   防止过拟合：过拟合是指模型在训练集上表现良好，但在测试集上表现不佳的现象。为了防止过拟合，可以使用正则化技术、dropout技术或早期停止等方法。
   
3. 测试
   最后得到的效果，分类准确率能够达到92%！！我非常激动

4. Intel架构的使用在使用Intel架构进行深度学习训练时，通常会依赖深度学习框架（如TensorFlow或PyTorch）和适用于Intel架构的优化库（如Intel Math Kernel Library，MKL）。

   # 导入必要的库
   import tensorflow as tf

   # 创建卷积神经网络模型
   model = tf.keras.Sequential([
   tf.keras.layers.Conv2D(32, (3, 3), activatinotallow=’relu’, input_shape=(224, 224, 3)),
   tf.keras.layers.MaxPooling2D((2, 2)),
   tf.keras.layers.Conv2D(64, (3, 3), activatinotallow=’relu’),
   tf.keras.layers.MaxPooling2D((2, 2)),
   tf.keras.layers.Conv2D(64, (3, 3), activatinotallow=’relu’),
   tf.keras.layers.Flatten(),
   tf.keras.layers.Dense(64, activatinotallow=’relu’),
   表示猫和狗两个类别
   ])

   # 编译模型
   model.compile(optimizer=’adam’,
   loss=’sparse_categorical_crossentropy’,
   metrics=[‘accuracy’])

   # 准备训练数据集
   X_train, y_train = load_training_data()

   # 准备验证数据集
   X_val, y_val = load_validation_data()

   # 设置训练参数
   num_epochs = 10
   batch_size = 32

   # 创建数据集对象
   train_dataset = tf.data.Dataset.from_tensor_slices((X_train, y_train)).batch(batch_size)
   val_dataset = tf.data.Dataset.from_tensor_slices((X_val, y_val)).batch(batch_size)

   # 迭代训练
   for epoch in range(num_epochs):
   for batch in train_dataset:
   X_batch, y_batch = batch

   前向传播
   predictions = model(X_batch)

   计算损失
   loss = model.loss(y_batch, predictions)

   反向传播和参数更新
   grads = tf.gradients(loss, model.trainable_variables)
   model.optimizer.apply_gradients(zip(grads, model.trainable_variables))

   在验证集上评估性能
   val_loss, val_accuracy = model.evaluate(val_dataset, verbose=0)
   print(f”Epoch {epoch+1}/{num_epochs}, Validation Loss: {val_loss}, Validation Accuracy: {val_accuracy}”)

   # 保存模型
   model.save(“trained_cnn_model”)

5. 总结

基于Intel的开源框架能够极大地加速我们的模型训练以及模型推理。在这次比赛中，我创新的使用了RNN在做分类的任务，也创新的使用了Intel的Intel Math Kernel Library辅助，实在是一场酣畅淋漓的比赛。

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net

相关推荐: 通过git bash激活虚拟环境遇到的问题

直接git bash后用conda activate激活一直报错 报错如下： CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate’. …