# 使用ResNet-50网络实现图像分类 `Linux` `Ascend` `GPU` `全流程` `初级` `中级` `高级` [![查看源文件](../_static/logo_source.png)](https://gitee.com/mindspore/docs/blob/r1.1/tutorials/training/source_zh_cn/advanced_use/cv_resnet50.md)   [![查看notebook](../_static/logo_notebook.png)](https://obs.dualstack.cn-north-4.myhuaweicloud.com/mindspore-website/notebook/r1.1/mindspore_computer_vision_application.ipynb)   [![在线运行](../_static/logo_modelarts.png)](https://console.huaweicloud.com/modelarts/?region=cn-north-4#/notebook/loading?share-url-b64=aHR0cHM6Ly9vYnMuZHVhbHN0YWNrLmNuLW5vcnRoLTQubXlodWF3ZWljbG91ZC5jb20vbWluZHNwb3JlLXdlYnNpdGUvbm90ZWJvb2svbW9kZWxhcnRzL21pbmRzcG9yZV9jb21wdXRlcl92aXNpb25fYXBwbGljYXRpb24uaXB5bmI=&image_id=65f636a0-56cf-49df-b941-7d2a07ba8c8c) ## 概述 计算机视觉是当前深度学习研究最广泛、落地最成熟的技术领域,在手机拍照、智能安防、自动驾驶等场景有广泛应用。从2012年AlexNet在ImageNet比赛夺冠以来,深度学习深刻推动了计算机视觉领域的发展,当前最先进的计算机视觉算法几乎都是深度学习相关的。深度神经网络可以逐层提取图像特征,并保持局部不变性,被广泛应用于分类、检测、分割、检索、识别、提升、重建等视觉任务中。 本章结合图像分类任务,介绍MindSpore如何应用于计算机视觉场景。 ## 图像分类 图像分类是最基础的计算机视觉应用,属于有监督学习类别。给定一张数字图像,判断图像所属的类别,如猫、狗、飞机、汽车等等。用函数来表示这个过程如下: ```python def classify(image): label = model(image) return label ``` 选择合适的model是关键。这里的model一般指的是深度卷积神经网络,如AlexNet、VGG、GoogLeNet、ResNet等等。 MindSpore实现了典型的卷积神经网络,开发者可以参考[model_zoo](https://gitee.com/mindspore/mindspore/tree/r1.1/model_zoo/official)。 MindSpore当前支持的图像分类网络包括:典型网络LeNet、AlexNet、ResNet。 ## 任务描述及准备 ![cifar10](images/cifar10.jpg) 图1:CIFAR-10数据集[1] 如图1所示,CIFAR-10数据集共包含10类、共60000张图片。其中,每类图片6000张,50000张是训练集,10000张是测试集。每张图片大小为32*32。 图像分类的训练指标通常是精度(Accuracy),即正确预测的样本数占总预测样本数的比值。 接下来我们介绍利用MindSpore解决图片分类任务,整体流程如下: 1. 下载CIFAR-10数据集 2. 数据加载和预处理 3. 定义卷积神经网络,本例采用ResNet-50网络 4. 定义损失函数和优化器 5. 调用`Model`高阶API进行训练和保存模型文件 6. 加载保存的模型进行推理 > 本例面向Ascend 910 AI处理器硬件平台,你可以在这里下载完整的样例代码: 下面对任务流程中各个环节及代码关键片段进行解释说明。 ## 下载CIFAR-10数据集 先从[CIFAR-10数据集官网](https://www.cs.toronto.edu/~kriz/cifar.html)上下载CIFAR-10数据集。本例中采用binary格式的数据,Linux环境可以通过下面的命令下载: ```shell wget https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz ``` 接下来需要解压数据集,解压命令如下: ```shell tar -zvxf cifar-10-binary.tar.gz ``` ## 数据预加载和预处理 1. 加载数据集 数据加载可以通过内置数据集格式`Cifar10Dataset`接口完成。 > `Cifar10Dataset`,读取类型为随机读取,内置CIFAR-10数据集,包含图像和标签,图像格式默认为uint8,标签数据格式默认为uint32。更多说明请查看API中`Cifar10Dataset`接口说明。 数据加载代码如下,其中`data_home`为数据存储位置: ```python cifar_ds = ds.Cifar10Dataset(data_home) ``` 2. 数据增强 数据增强主要是对数据进行归一化和丰富数据样本数量。常见的数据增强方式包括裁剪、翻转、色彩变化等等。MindSpore通过调用`map`方法在图片上执行增强操作: ```python resize_height = 224 resize_width = 224 rescale = 1.0 / 255.0 shift = 0.0 # define map operations random_crop_op = C.RandomCrop((32, 32), (4, 4, 4, 4)) # padding_mode default CONSTANT random_horizontal_op = C.RandomHorizontalFlip() resize_op = C.Resize((resize_height, resize_width)) # interpolation default BILINEAR rescale_op = C.Rescale(rescale, shift) normalize_op = C.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) changeswap_op = C.HWC2CHW() type_cast_op = C2.TypeCast(mstype.int32) c_trans = [] if training: c_trans = [random_crop_op, random_horizontal_op] c_trans += [resize_op, rescale_op, normalize_op, changeswap_op] # apply map operations on images cifar_ds = cifar_ds.map(operations=type_cast_op, input_columns="label") cifar_ds = cifar_ds.map(operations=c_trans, input_columns="image") ``` 3. 数据混洗和批处理 最后通过数据混洗(`shuffle`)随机打乱数据的顺序,并按`batch`读取数据,进行模型训练: ```python # apply shuffle operations cifar_ds = cifar_ds.shuffle(buffer_size=10) # apply batch operations cifar_ds = cifar_ds.batch(batch_size=args_opt.batch_size, drop_remainder=True) # apply repeat operations cifar_ds = cifar_ds.repeat(repeat_num) ``` ## 定义卷积神经网络 卷积神经网络已经是图像分类任务的标准算法了。卷积神经网络采用分层的结构对图片进行特征提取,由一系列的网络层堆叠而成,比如卷积层、池化层、激活层等等。 ResNet通常是较好的选择。首先,它足够深,常见的有34层,50层,101层。通常层次越深,表征能力越强,分类准确率越高。其次,可学习,采用了残差结构,通过shortcut连接把低层直接跟高层相连,解决了反向传播过程中因为网络太深造成的梯度消失问题。此外,ResNet网络的性能很好,既表现为识别的准确率,也包括它本身模型的大小和参数量。 MindSpore Model Zoo中已经实现了ResNet模型,可以采用[ResNet-50](https://gitee.com/mindspore/mindspore/blob/r1.1/model_zoo/official/cv/resnet/src/resnet.py)。调用方法如下: ```python network = resnet50(class_num=10) ``` 更多ResNet的介绍请参考:[ResNet论文](https://arxiv.org/abs/1512.03385) ## 定义损失函数和优化器 接下来需要定义损失函数(Loss)和优化器(Optimizer)。损失函数是深度学习的训练目标,也叫目标函数,可以理解为神经网络的输出(Logits)和标签(Labels)之间的距离,是一个标量数据。 常见的损失函数包括均方误差、L2损失、Hinge损失、交叉熵等等。图像分类应用通常采用交叉熵损失(`CrossEntropy`)。 优化器用于神经网络求解(训练)。由于神经网络参数规模庞大,无法直接求解,因而深度学习中采用随机梯度下降算法(SGD)及其改进算法进行求解。MindSpore封装了常见的优化器,如`SGD`、`ADAM`、`Momemtum`等等。本例采用`Momentum`优化器,通常需要设定两个参数,动量(`moment`)和权重衰减项(`weight decay`)。 MindSpore中定义损失函数和优化器的代码样例如下: ```python # loss function definition ls = SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean") # optimization definition opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), 0.01, 0.9) ``` ## 调用`Model`高阶API进行训练和保存模型文件 完成数据预处理、网络定义、损失函数和优化器定义之后,就可以进行模型训练了。模型训练包含两层迭代,数据集的多轮迭代(`epoch`)和一轮数据集内按分组(`batch`)大小进行的单步迭代。其中,单步迭代指的是按分组从数据集中抽取数据,输入到网络中计算得到损失函数,然后通过优化器计算和更新训练参数的梯度。 为了简化训练过程,MindSpore封装了`Model`高阶接口。用户输入网络、损失函数和优化器完成`Model`的初始化,然后调用`train`接口进行训练,`train`接口参数包括迭代次数(`epoch`)和数据集(`dataset`)。 模型保存是对训练参数进行持久化的过程。`Model`类中通过回调函数(`callback`)的方式进行模型保存,如下面代码所示。用户通过`CheckpointConfig`设置回调函数的参数,其中,`save_checkpoint_steps`指每经过固定的单步迭代次数保存一次模型,`keep_checkpoint_max`指最多保存的模型个数。 ```python ''' network, loss, optimizer are defined before. batch_num, epoch_size are training parameters. ''' model = Model(net, loss_fn=ls, optimizer=opt, metrics={'acc'}) # CheckPoint CallBack definition config_ck = CheckpointConfig(save_checkpoint_steps=batch_num, keep_checkpoint_max=35) ckpoint_cb = ModelCheckpoint(prefix="train_resnet_cifar10", directory="./", config=config_ck) # LossMonitor is used to print loss value on screen loss_cb = LossMonitor() model.train(epoch_size, dataset, callbacks=[ckpoint_cb, loss_cb]) ``` ## 加载保存的模型,并进行验证 训练得到的模型文件(如`resnet.ckpt`)可以用来预测新图像的类别。首先通过`load_checkpoint`加载模型文件。然后调用`Model`的`eval`接口预测新图像类别。 ```python param_dict = load_checkpoint(args_opt.checkpoint_path) load_param_into_net(net, param_dict) eval_dataset = create_dataset(training=False) res = model.eval(eval_dataset) print("result: ", res) ``` ## 参考文献 [1]