hans

hans

【Caffe】快速上手训练自己的数据 《很认真的讲讲Caffe》


上手开始训练还是比较简单的,难得是如何调参。

1. 准备数据集#

如果你的数据集太少,会导致训练很快过拟合。表现为 test loss 趋于不变,而 train loss 还在下降.

可以看这篇博文增加数据集:

【Python】【Shell】【Caffe】训练集预处理 —— 数据增强 《很认真的讲讲 Caffe》

训练集,验证集和测试集。举个例子做场景识别,

需要准备的第一个文档是 words.txt:第一列是序号,第二列是类别。

0 balcony
1 bathroom shower
2 bedroom bedchamber
3 childs_room

第二个文档是 train.txt: 训练集文件路径和文件名 + 空格 + 类别序号。

第三个文档是 val.txt,格式同上,只不过变成了验证集文件。

分享个生成脚本:

#!/bin/sh

classes=(balcony bathroom shower bedroom bedchamber childs_room)
num=0
for class in ${classes[@]}
do
    ls $class/* > $class.txt
    sed -i "s/$/ $num/g" $class.txt #末尾添加类别索引
    let num+=1
    cat $class.txt >> temp.txt
    rm $class.txt
done
cat temp.txt | awk 'BEGIN{srand()}{print rand()"\t"$0}' | sort -k1,1 -n | cut -f2- > train.txt #乱序

2. 准备 lmdb 文件#

这个要分别给 train,val 和 test 都弄一下。

找到 $ROOT/caffe/example/imagenet/create_imagenet.sh, 改路径。下面是我的版本。

#!/bin/sh
set -e

EXAMPLE=/path/to/lmdb   # 保存生成lmdb目录的位置
DATA=/path/to/train.txt & val.txt & test.txt 
TOOLS=/path/to/caffe/build/tools

TRAIN_DATA_ROOT=/absolute/path/to/calss #到上面balcony等类别目录的路径,和train.txt里面凑成图片的完整绝对路径
VAL_DATA_ROOT=/absolute/path/to/calss


echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=0 \ #如果你的数据集图片大小不一致,需要根据train_val.prototxt网络结构将所有图片进行缩放。
    --resize_width=0 \
    --shuffle=false \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=0 \
    --resize_width=0 \
    --shuffle=false \  #改成true后自动shuffle

    $VAL_DATA_ROOT \
    $DATA/val.txt \
    $EXAMPLE/val_lmdb

echo "Done."

3. 准备均值文件(mean file)#

找到 $ROOT/caffe/example/imagenet/make_imagenet_mean.sh, 改路径。下面是我的版本。

#!/bin/sh

EXAMPLE=/path/to/lmdb
DATA=/path/to/your/train.txt & val.txt   # the path should be short
TOOLS=/path/to/caffe/build/tools

$TOOLS/compute_image_mean $EXAMPLE/train_lmdb $DATA/mean.binaryproto

echo "Done."

4. 修改配置文件#

我用的 alexnet。先修改 train_val_alexnet.prototxt

name: "AlexNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    crop_size: 227
    mean_file: "/path/to/mean.binaryproto" #改
    mirror: true
  }
  data_param {
    source: "/path/to/train_lmdb" #改
    backend: LMDB
    batch_size: 32 #改
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "/path/to/mean.binaryproto" #改
  }
  data_param {
    source: "/path/to/val_lmdb" #改
    batch_size: 16 #改
    backend: LMDB
  }

...

...

...

layer {
  name: "fc8" #最后一层全连接层
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 5  #改成你的类别数
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}

...

...

...

然后修改超参数,solver_alexnet.prototxt

net: "/path/to/alexnet.prototxt"
test_iter: 500  #一次测试时迭代次数,这个数值乘以test batch size是你验证集所有样本的数量
test_interval: 200  #训练时迭代多少次进行一次测试
base_lr: 0.001  #基础学习率
lr_policy: "step"  #学习策略,步进式
gamma: 0.1 #学习率衰减系数
stepsize: 140000 #学习率衰减步长
display: 200 #训练时迭代多少次在terminal显示一次数据
max_iter: 420000 #最大训练迭代次数
momentum: 0.9 #冲量,不要改
weight_decay: 0.0005 #权重衰减量,不要改
snapshot: 1000 #训练迭代多少次保存一次快照结果
snapshot_prefix: "/path/" #快照路径
solver_mode: GPU #模式

5. 开始训练#

直接运行:

./build/tools/caffe train --solver=/path/to/solver.prototxt

----------[2017.07.20 更新]----------finetune-------------------------------

之前一直做类别不是很多的训练,直接训练效果就还好.

昨儿试了下 20+, 30+ 类别的训练,一晚上 10W 多次迭代 loss 居高不下,accuracy 稳定在很低的值.

改了两次学习率问题没解决后,脑子里就冒出 finetune 这个词。抱着尝试的心态,结果成功了.

我是在这里 http://dl.caffe.berkeleyvision.org/
下载的 bvlc_googlenet.caffemodel

模型参考 caffe/model/bvlc_googlenet/train_val.prototxt

超参数参考 caffe/model/bvlc_googlenet/solver.prototxt

需要修改的内容有:

  1. 删掉三行 mean_value, 改成 meanfile=/path/to/your/meanfile.prototxt

  2. 修改训练和测试 source 路径

  3. 删掉所有带有 loss1 的层,删掉所有带有 loss2 的层

  4. 删掉最后 name: "loss3/top-5" 这一层.

  5. 所有 loss3/loss3 改为 loss

  6. 所有 loss3/top-1 改为 loss

  7. num_output: 1000 将 1000 改成你的类别数

  8. 所有 loss3/classifier 随便改个名字,比如改成 loss3

以上内容修改好之后,就可以运行下面代码进行 finetune 了,准确率上升很快.

./build/tools/caffe train -solver /path/to/solver.prototxt -weights /path/to/bvlc_googlenet.caffemodel

#

6.loss 可视化#

运行:

script loss_acc.txt

./build/tools/caffe train --solver=/path/to/solver.prototxt

训练结束后记得 ctrl+d 退出屏幕录像。

下面是可视化用的 matlab 代码,这段代码参照了《深度学习:21 天实战 Caffe》中学习曲线可视化方法修改的。

clear;
clc;
close all;

train_log_file = 'loss_acc.txt';
display=20;  %对应solver中的值
test_interval=20;  %同上

[~, string_output] = dos(['cat ', train_log_file, ' | grep "Train net output #0" | awk ''{print $11}''']);
train_loss = str2num(string_output);
n = 1:length(train_loss);
idx_train = (n-1)*display;

[~, string_output] = dos(['cat ', train_log_file, ' | grep "Test net output #1" | awk ''{print $11}''']);
test_loss = str2num(string_output);
m = 1:length(test_loss);
idx_test = (m - 1)*test_interval;
figure;plot(idx_train, train_loss);
hold on;
plot(idx_test, test_loss,'--r');

grid on;
legend('Train Loss', 'Test Loss');
xlabel('iterations');
ylabel('loss');
title(' Train & Test Loss Curve');

[~, acc_output] = dos(['cat ', train_log_file, ' | grep "Test net output #0" | awk ''{print $11}''']);
test_acc = str2num( acc_output);
k = 1:length(test_acc);
idx_acc = (k - 1)*test_interval;

figure;
plot(idx_acc, test_acc);

grid on;
box = legend('Test Accuracy');
set(box,'Location','southeast');
xlabel('iterations');
ylabel('Accuracy');
title(' Test Accuracy Curve');

-------【2017.09.26】------ 更新 python 的可视化代码,不过还是用 digits 最方便 ------------

#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Tue Aug 29 10:05:13 2017

@author: hans

http://blog.csdn.net/renhanchi
"""
import matplotlib.pyplot as plt
import numpy as np
import commands
import argparse

parser = argparse.ArgumentParser()
parser.add_argument(
    '-p',
    type = str,
    default = '',
    help = """\
    path to log file\
    """
)

FLAGS = parser.parse_args()

train_log_file = FLAGS.p

display = 10 #solver
test_interval = 100 #solver

train_output = commands.getoutput("cat " + train_log_file + " | grep 'Train net output #0' | awk '{print $11}'")  #train loss
test_output = commands.getoutput("cat " + train_log_file + " | grep 'Test net output #1' | awk '{print $11}'")  #test loss
accu_output = commands.getoutput("cat " + train_log_file + " | grep 'Test net output #0' | awk '{print $11}'") #test accuracy
train_loss = train_output.split("\n")
test_loss = test_output.split("\n")
test_accu = accu_output.split("\n")
l = len(test_accu)

_,ax1 = plt.subplots()
ax2 = ax1.twinx()

l1, = ax1.plot(display*np.arange(len(train_loss)), train_loss)
l2, = ax1.plot(test_interval*np.arange(l), test_loss, 'g')
l3, = ax2.plot(test_interval*np.arange(l), test_accu, 'r')

ax1.set_xlabel('Iteration')
ax1.set_ylabel('Loss')
ax2.set_ylabel('Test Accuracy')

plt.legend([l1, l2, l3], ['Train Loss', 'Test Loss', 'Test Accu'], loc = 'upper left')
plt.show()

上面这些都简单,最难的是调参!!调参!!!调参!!!

7. 测试模型#

运行:

./build/tools/caffe test \

--model=/path/to/train_val_alexnet.prototxt \

--weights=path/to/xxxxxxxxxx.caffemodel

这里注意一下,正常这么运行是用 val 数据集进行测试的。如果你准备了自己的测试集,按照上面步骤生成 test_lmdb 文件夹,然后在 train_val_alexnet.prototxt 文件中,将 val_lmdb 改成 test_lmdb。在运行面上命令就好了。

8. 使用 classify.py 调用模型进行分类#

参考 【Caffe】【场景分类】Places365 安装、docker 运行,以及调用本地 caffe 运行(Ubuntu14.04)

修改 132 行的 labels.txt 路径就好了。

但是!!!注意!!!!

运行命令中的 --model_def 我们不能直接选择 train_val_alexnet.prototxt,会报错的。

新建一个内容和 train_val_alexnet.prototxt 一样的文件名字叫 deploy_alexnet.prototxt

然后删掉 data 层,accuracy 层,修改 loss 层。具体看下面。

name: "AlexNet"
input: "data"
input_dim: 1
input_dim: 3
input_dim: 227
input_dim: 227
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}

...

...

...

layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8"
  top: "prob"
}

修改好后,运行:

cd $ROOT/caffe/python

python classify.py /path/to/image.jpg result.npy \

--model_def  /path/to/deploy_alexnet.prototxt

--pretrained_model /path/to/xxxxxx.caffemodel

当然大家也可以通过修改 classify.py 中前面 model_def 和 pretrained_model 的默认值来简化运行命令。

Loading...
Ownership of this post data is guaranteed by blockchain and smart contracts to the creator alone.