Rate this Page
★ ★ ★ ★ ★

참고

Go to the end to download the full example code.

컴퓨터 비전(Vision)을 위한 전이학습(Transfer Learning)#

Author: Sasank Chilamkurthy

번역: 박정환

이 튜토리얼에서는 전이학습(Transfer Learning)을 이용하여 이미지 분류를 위한 합성곱 신경망을 어떻게 학습시키는지 배워보겠습니다. 전이학습에 대해서는 CS231n 노트 에서 더 많은 내용을 읽어보실 수 있습니다.

위 노트를 인용해보면,

실제로 충분한 크기의 데이터셋을 갖추기는 상대적으로 드물기 때문에, (무작위 초기화를 통해) 맨 처음부터 합성곱 신경망(Convolutional Network) 전체를 학습하는 사람은 매우 적습니다. 대신, 매우 큰 데이터셋(예. 100가지 분류에 대해 120만개의 이미지가 포함된 ImageNet)에서 합성곱 신경망(ConvNet)을 미리 학습한 후, 이 합성곱 신경망을 관심있는 작업 을 위한 초기 설정 또는 고정된 특징 추출기(fixed feature extractor)로 사용합니다.

이러한 전이학습 시나리오의 주요한 2가지는 다음과 같습니다:

  • 합성곱 신경망의 미세조정(finetuning): 무작위 초기화 대신, 신경망을 ImageNet 1000 데이터셋 등으로 미리 학습한 신경망으로 초기화합니다. 학습의 나머지 과정들은 평상시와 같습니다.

  • 고정된 특징 추출기로써의 합성곱 신경망: 여기서는 마지막에 완전히 연결 된 계층을 제외한 모든 신경망의 가중치를 고정합니다. 이 마지막의 완전히 연결된 계층은 새로운 무작위의 가중치를 갖는 계층으로 대체되어 이 계층만 학습합니다.

# License: BSD
# Author: Sasank Chilamkurthy
importtorch
importtorch.nnasnn
importtorch.optimasoptim
fromtorch.optimimport lr_scheduler
importtorch.backends.cudnnascudnn
importnumpyasnp
importtorchvision
fromtorchvisionimport datasets, models, transforms
importmatplotlib.pyplotasplt
importtime
importos
fromPILimport Image
fromtempfileimport TemporaryDirectory
cudnn.benchmark = True
plt.ion() # 대화형 모드

<contextlib.ExitStack object at 0x7f0dab1b6e50>

데이터 불러오기#

데이터를 불러오기 위해 torchvision과 torch.utils.data 패키지를 사용하겠습니다.

여기서 풀고자 하는 문제는 개미 와 벌 을 분류하는 모델을 학습하는 것입니다. 개미와 벌 각각의 학습용 이미지는 대략 120장 정도 있고, 75개의 검증용 이미지가 있습니다. 일반적으로 맨 처음부터 학습을 한다면 이는 일반화하기에는 아주 작은 데이터셋입니다. 하지만 우리는 전이학습을 할 것이므로, 일반화를 제법 잘 할 수 있을 것입니다.

이 데이터셋은 ImageNet의 아주 작은 일부입니다.

참고

데이터를 여기 에서 다운로드 받아 현재 디렉토리에 압축을 푸십시오.

# 학습을 위해 데이터 증가(augmentation) 및 일반화(normalization)
# 검증을 위한 일반화
data_transforms = {
 'train': transforms.Compose([
 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])
 ]),
}
data_dir = 'data/hymenoptera_data'
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x),
 data_transforms[x])
 for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4,
 shuffle=True, num_workers=4)
 for x in ['train', 'val']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
class_names = image_datasets['train'].classes
# CUDA 또는 MPS, MTIA, XPU 와 같은 `가속기(accelerator) <https://pytorch.org/docs/stable/torch.html#accelerators>`__ 에서 모델을 학습할 수 있도록 합니다.
# 현재 사용 가능한 가속기가 있다면 사용하고, 그렇지 않으면 CPU를 사용합니다.
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")

Using cuda device

일부 이미지 시각화하기#

데이터 증가를 이해하기 위해 일부 학습용 이미지를 시각화해보겠습니다.

defimshow(inp, title=None):
"""tensor를 입력받아 일반적인 이미지로 보여줍니다."""
 inp = inp.numpy().transpose((1, 2, 0))
 mean = np.array([0.485, 0.456, 0.406])
 std = np.array([0.229, 0.224, 0.225])
 inp = std * inp + mean
 inp = np.clip(inp, 0, 1)
 plt.imshow(inp)
 if title is not None:
 plt.title(title)
 plt.pause(0.001) # 갱신이 될 때까지 잠시 기다립니다.
# 학습 데이터의 배치를 얻습니다.
inputs, classes = next(iter(dataloaders['train']))
# 배치로부터 격자 형태의 이미지를 만듭니다.
out = torchvision.utils.make_grid(inputs)
imshow(out, title=[class_names[x] for x in classes])
['bees', 'ants', 'bees', 'bees']

모델 학습하기#

이제 모델을 학습하기 위한 일반 함수를 작성해보겠습니다. 여기서는 다음 내용들을 설명합니다:

  • 학습률(learning rate) 관리(scheduling)

  • 최적의 모델 구하기

아래에서 scheduler 매개변수는 torch.optim.lr_scheduler 의 LR 스케쥴러 객체(Object)입니다.

deftrain_model(model, criterion, optimizer, scheduler, num_epochs=25):
 since = time.time()
 # Create a temporary directory to save training checkpoints
 with TemporaryDirectory() as tempdir:
 best_model_params_path = os.path.join(tempdir, 'best_model_params.pt')
 torch.save(model.state_dict(), best_model_params_path)
 best_acc = 0.0
 for epoch in range(num_epochs):
 print(f'Epoch {epoch}/{num_epochs-1}')
 print('-' * 10)
 # 각 에폭(epoch)은 학습 단계와 검증 단계를 갖습니다.
 for phase in ['train', 'val']:
 if phase == 'train':
 model.train() # 모델을 학습 모드로 설정
 else:
 model.eval() # 모델을 평가 모드로 설정
 running_loss = 0.0
 running_corrects = 0
 # 데이터를 반복
 for inputs, labels in dataloaders[phase]:
 inputs = inputs.to(device)
 labels = labels.to(device)
 # 매개변수 경사도를 0으로 설정
 optimizer.zero_grad()
 # 순전파
 # 학습 시에만 연산 기록을 추적
 with torch.set_grad_enabled(phase == 'train'):
 outputs = model(inputs)
 _, preds = torch.max(outputs, 1)
 loss = criterion(outputs, labels)
 # 학습 단계인 경우 역전파 + 최적화
 if phase == 'train':
 loss.backward()
 optimizer.step()
 # 통계
 running_loss += loss.item() * inputs.size(0)
 running_corrects += torch.sum(preds == labels.data)
 if phase == 'train':
 scheduler.step()
 epoch_loss = running_loss / dataset_sizes[phase]
 epoch_acc = running_corrects.double() / dataset_sizes[phase]
 print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}')
 # 모델을 깊은 복사(deep copy)함
 if phase == 'val' and epoch_acc > best_acc:
 best_acc = epoch_acc
 torch.save(model.state_dict(), best_model_params_path)
 print()
 time_elapsed = time.time() - since
 print(f'Training complete in {time_elapsed//60:.0f}m {time_elapsed%60:.0f}s')
 print(f'Best val Acc: {best_acc:4f}')
 # 가장 나은 모델 가중치를 불러오기
 model.load_state_dict(torch.load(best_model_params_path, weights_only=True))
 return model

모델 예측값 시각화하기#

일부 이미지에 대한 예측값을 보여주는 일반화된 함수입니다.

defvisualize_model(model, num_images=6):
 was_training = model.training
 model.eval()
 images_so_far = 0
 fig = plt.figure()
 with torch.no_grad():
 for i, (inputs, labels) in enumerate(dataloaders['val']):
 inputs = inputs.to(device)
 labels = labels.to(device)
 outputs = model(inputs)
 _, preds = torch.max(outputs, 1)
 for j in range(inputs.size()[0]):
 images_so_far += 1
 ax = plt.subplot(num_images//2, 2, images_so_far)
 ax.axis('off')
 ax.set_title(f'predicted: {class_names[preds[j]]}')
 imshow(inputs.cpu().data[j])
 if images_so_far == num_images:
 model.train(mode=was_training)
 return
 model.train(mode=was_training)

합성곱 신경망 미세조정(finetuning)#

미리 학습한 모델을 불러온 후 마지막의 완전히 연결된 계층을 초기화합니다.

model_ft = models.resnet18(weights='IMAGENET1K_V1')
num_ftrs = model_ft.fc.in_features
# 여기서 각 출력 샘플의 크기는 2로 설정합니다.
# 또는, ``nn.Linear(num_ftrs, len (class_names))`` 로 일반화할 수 있습니다.
model_ft.fc = nn.Linear(num_ftrs, 2)
model_ft = model_ft.to(device)
criterion = nn.CrossEntropyLoss()
# 모든 매개변수들이 최적화되었는지 관찰
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)
# 7 에폭마다 0.1씩 학습률 감소
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

Downloading: "https://download.pytorch.org/models/resnet18-f37072fd.pth" to /root/.cache/torch/hub/checkpoints/resnet18-f37072fd.pth
 0%| | 0.00/44.7M [00:00<?, ?B/s]
 19%|█▉ | 8.62M/44.7M [00:00<00:00, 88.9MB/s]
 45%|████▍ | 20.0M/44.7M [00:00<00:00, 105MB/s]
 70%|███████ | 31.4M/44.7M [00:00<00:00, 111MB/s]
 98%|█████████▊| 43.8M/44.7M [00:00<00:00, 118MB/s]
100%|██████████| 44.7M/44.7M [00:00<00:00, 112MB/s]

학습 및 평가하기#

CPU에서는 15-25분 가량, GPU에서는 1분 이내의 시간이 걸립니다.

model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
 num_epochs=25)

Epoch 0/24
----------
train Loss: 0.5939 Acc: 0.6885
val Loss: 0.8893 Acc: 0.6993
Epoch 1/24
----------
train Loss: 0.6983 Acc: 0.7705
val Loss: 0.4179 Acc: 0.8562
Epoch 2/24
----------
train Loss: 0.6475 Acc: 0.7459
val Loss: 0.4117 Acc: 0.8235
Epoch 3/24
----------
train Loss: 0.6479 Acc: 0.7172
val Loss: 0.2584 Acc: 0.8824
Epoch 4/24
----------
train Loss: 0.4011 Acc: 0.8320
val Loss: 0.2526 Acc: 0.9150
Epoch 5/24
----------
train Loss: 0.4271 Acc: 0.8156
val Loss: 0.4152 Acc: 0.8431
Epoch 6/24
----------
train Loss: 0.3674 Acc: 0.8525
val Loss: 0.5579 Acc: 0.8235
Epoch 7/24
----------
train Loss: 0.5191 Acc: 0.8033
val Loss: 0.3694 Acc: 0.9085
Epoch 8/24
----------
train Loss: 0.3877 Acc: 0.8484
val Loss: 0.3182 Acc: 0.8889
Epoch 9/24
----------
train Loss: 0.3061 Acc: 0.8689
val Loss: 0.2674 Acc: 0.9085
Epoch 10/24
----------
train Loss: 0.2626 Acc: 0.8975
val Loss: 0.2540 Acc: 0.9216
Epoch 11/24
----------
train Loss: 0.2475 Acc: 0.8893
val Loss: 0.2299 Acc: 0.9150
Epoch 12/24
----------
train Loss: 0.2699 Acc: 0.8934
val Loss: 0.2357 Acc: 0.9346
Epoch 13/24
----------
train Loss: 0.2592 Acc: 0.8893
val Loss: 0.2183 Acc: 0.9150
Epoch 14/24
----------
train Loss: 0.2211 Acc: 0.9098
val Loss: 0.2056 Acc: 0.9216
Epoch 15/24
----------
train Loss: 0.2748 Acc: 0.8730
val Loss: 0.2230 Acc: 0.9281
Epoch 16/24
----------
train Loss: 0.2723 Acc: 0.8893
val Loss: 0.2201 Acc: 0.9150
Epoch 17/24
----------
train Loss: 0.2833 Acc: 0.8730
val Loss: 0.2336 Acc: 0.9085
Epoch 18/24
----------
train Loss: 0.2625 Acc: 0.8852
val Loss: 0.2231 Acc: 0.9216
Epoch 19/24
----------
train Loss: 0.2774 Acc: 0.8689
val Loss: 0.2051 Acc: 0.9281
Epoch 20/24
----------
train Loss: 0.2649 Acc: 0.8730
val Loss: 0.2416 Acc: 0.9085
Epoch 21/24
----------
train Loss: 0.2558 Acc: 0.8811
val Loss: 0.2479 Acc: 0.9085
Epoch 22/24
----------
train Loss: 0.2218 Acc: 0.9180
val Loss: 0.2061 Acc: 0.9281
Epoch 23/24
----------
train Loss: 0.2908 Acc: 0.8811
val Loss: 0.2034 Acc: 0.9281
Epoch 24/24
----------
train Loss: 0.2541 Acc: 0.8852
val Loss: 0.2047 Acc: 0.9346
Training complete in 0m 28s
Best val Acc: 0.934641

visualize_model(model_ft)
predicted: bees, predicted: ants, predicted: bees, predicted: bees, predicted: ants, predicted: bees

고정된 특징 추출기로써의 합성곱 신경망#

이제, 마지막 계층을 제외한 신경망의 모든 부분을 고정해야 합니다. requires_grad = False 로 설정하여 매개변수를 고정하여 backward() 중에 경사도가 계산되지 않도록 해야합니다.

이에 대한 문서는 여기 에서 확인할 수 있습니다.

model_conv = torchvision.models.resnet18(weights='IMAGENET1K_V1')
for param in model_conv.parameters():
 param.requires_grad = False
# 새로 생성된 모듈의 매개변수는 기본값이 requires_grad=True 임
num_ftrs = model_conv.fc.in_features
model_conv.fc = nn.Linear(num_ftrs, 2)
model_conv = model_conv.to(device)
criterion = nn.CrossEntropyLoss()
# 이전과는 다르게 마지막 계층의 매개변수들만 최적화되는지 관찰
optimizer_conv = optim.SGD(model_conv.fc.parameters(), lr=0.001, momentum=0.9)
# 7 에폭마다 0.1씩 학습률 감소
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)

학습 및 평가하기#

CPU에서 실행하는 경우 이전과 비교했을 때 약 절반 가량의 시간만이 소요될 것입니다. 이는 대부분의 신경망에서 경사도를 계산할 필요가 없기 때문입니다. 하지만, 순전파는 계산이 필요합니다.

model_conv = train_model(model_conv, criterion, optimizer_conv,
 exp_lr_scheduler, num_epochs=25)

Epoch 0/24
----------
train Loss: 0.8177 Acc: 0.5574
val Loss: 0.4051 Acc: 0.8170
Epoch 1/24
----------
train Loss: 0.8206 Acc: 0.7049
val Loss: 0.2138 Acc: 0.9346
Epoch 2/24
----------
train Loss: 0.5332 Acc: 0.7869
val Loss: 0.2195 Acc: 0.9346
Epoch 3/24
----------
train Loss: 0.4048 Acc: 0.8238
val Loss: 0.1820 Acc: 0.9477
Epoch 4/24
----------
train Loss: 0.4770 Acc: 0.7869
val Loss: 0.1642 Acc: 0.9346
Epoch 5/24
----------
train Loss: 0.6722 Acc: 0.7418
val Loss: 0.1688 Acc: 0.9608
Epoch 6/24
----------
train Loss: 0.5322 Acc: 0.7869
val Loss: 0.2213 Acc: 0.9150
Epoch 7/24
----------
train Loss: 0.4525 Acc: 0.8197
val Loss: 0.2171 Acc: 0.9216
Epoch 8/24
----------
train Loss: 0.4098 Acc: 0.8648
val Loss: 0.1640 Acc: 0.9542
Epoch 9/24
----------
train Loss: 0.3833 Acc: 0.8566
val Loss: 0.1604 Acc: 0.9608
Epoch 10/24
----------
train Loss: 0.4098 Acc: 0.8074
val Loss: 0.1924 Acc: 0.9412
Epoch 11/24
----------
train Loss: 0.3515 Acc: 0.8566
val Loss: 0.1576 Acc: 0.9608
Epoch 12/24
----------
train Loss: 0.4229 Acc: 0.8033
val Loss: 0.1597 Acc: 0.9673
Epoch 13/24
----------
train Loss: 0.2507 Acc: 0.9016
val Loss: 0.1785 Acc: 0.9542
Epoch 14/24
----------
train Loss: 0.3376 Acc: 0.8648
val Loss: 0.2217 Acc: 0.9412
Epoch 15/24
----------
train Loss: 0.3572 Acc: 0.8770
val Loss: 0.1593 Acc: 0.9542
Epoch 16/24
----------
train Loss: 0.2928 Acc: 0.8443
val Loss: 0.1557 Acc: 0.9608
Epoch 17/24
----------
train Loss: 0.4276 Acc: 0.7951
val Loss: 0.1593 Acc: 0.9608
Epoch 18/24
----------
train Loss: 0.3870 Acc: 0.8361
val Loss: 0.1854 Acc: 0.9542
Epoch 19/24
----------
train Loss: 0.2849 Acc: 0.8770
val Loss: 0.1601 Acc: 0.9542
Epoch 20/24
----------
train Loss: 0.3713 Acc: 0.8402
val Loss: 0.1900 Acc: 0.9346
Epoch 21/24
----------
train Loss: 0.4344 Acc: 0.7951
val Loss: 0.1784 Acc: 0.9542
Epoch 22/24
----------
train Loss: 0.3614 Acc: 0.8279
val Loss: 0.1841 Acc: 0.9608
Epoch 23/24
----------
train Loss: 0.2707 Acc: 0.8811
val Loss: 0.1838 Acc: 0.9608
Epoch 24/24
----------
train Loss: 0.2565 Acc: 0.9016
val Loss: 0.1494 Acc: 0.9608
Training complete in 0m 19s
Best val Acc: 0.967320

visualize_model(model_conv)
plt.ioff()
plt.show()
predicted: ants, predicted: bees, predicted: bees, predicted: ants, predicted: ants, predicted: ants

다른 이미지들에 대한 추론#

학습된 모델을 사용하여 사용자 지정 이미지에 대해 예측하고, 예측된 클래스 레이블을 이미지와 함께 시각화합니다.

defvisualize_model_predictions(model,img_path):
 was_training = model.training
 model.eval()
 img = Image.open(img_path)
 img = data_transforms['val'](img)
 img = img.unsqueeze(0)
 img = img.to(device)
 with torch.no_grad():
 outputs = model(img)
 _, preds = torch.max(outputs, 1)
 ax = plt.subplot(2,2,1)
 ax.axis('off')
 ax.set_title(f'Predicted: {class_names[preds[0]]}')
 imshow(img.cpu().data[0])
 model.train(mode=was_training)

visualize_model_predictions(
 model_conv,
 img_path='data/hymenoptera_data/val/bees/72100438_73de9f17af.jpg'
)
plt.ioff()
plt.show()
Predicted: bees

더 배워볼 내용#

전이학습의 응용 사례(application)들을 더 알아보려면, /intermediate/quantized_transfer_learning_tutorial 을 참조해보세요.

Total running time of the script: (0 minutes 54.560 seconds)