这边都采用变动学习率CosineAnnealing。示范我这边T_max只用6。
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=6, eta_min=0, last_epoch=-1)
batch_size = 50
base_lr = 0.6
max_epoch = 20
model_path = './tttdensenet.pth'
# 将图片转为tensor
transforms = Compose([ToTensor()])
train_dataset = CaptchaData('./pic_train2', './answer/answer_train_v2.csv',transform=transforms)
# dataloader读取batchsize资料
train_data_loader = DataLoader(train_dataset, batch_size=batch_size, num_workers=0,shuffle=True, drop_last=True)
test_data = CaptchaData('./pic_test2','./answer/answer_test_v2.csv',transform=transforms)
test_data_loader = DataLoader(test_data, batch_size=batch_size,num_workers=0, shuffle=True, drop_last=True)
# 读取预训练模型densenet201
cnn = models.densenet201(num_classes=180)
if torch.cuda.is_available():
cnn.cuda()
if restor:
cnn.load_state_dict(torch.load(model_path))
# 采用SGD + momentum当优化器
optimizer = torch.optim.SGD(cnn.parameters(), lr=base_lr, momentum=0.9)
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=6, eta_min=0, last_epoch=-1)
criterion = nn.MultiLabelSoftMarginLoss()
acc_history_train = []
loss_history_train = []
loss_history_test = []
acc_history_test = []
for epoch in range(max_epoch):
start_ = time.time()
loss_history = []
acc_history = []
cnn.train()
for img, target in train_data_loader:
img = Variable(img)
target = Variable(target)
if torch.cuda.is_available():
img = img.cuda()
target = target.cuda()
output = cnn(img)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
acc = calculat_acc(output, target)
acc_history.append(float(acc))
loss_history.append(float(loss))
# 要加上这段scheduler.step()
scheduler.step()
print('train_loss: {:.4}|train_acc: {:.4}'.format(
torch.mean(torch.Tensor(loss_history)),
torch.mean(torch.Tensor(acc_history)),
))
acc_history_train.append((torch.mean(torch.Tensor(acc_history))).float())
loss_history_train.append((torch.mean(torch.Tensor(loss_history))).float())
loss_history = []
acc_history = []
cnn.eval()
for img, target in test_data_loader:
img = Variable(img)
target = Variable(target)
if torch.cuda.is_available():
img = img.cuda()
target = target.cuda()
output = cnn(img)
acc = calculat_acc(output, target)
acc_history.append(float(acc))
loss_history.append(float(loss))
print('test_loss: {:.4}|test_acc: {:.4}'.format(
torch.mean(torch.Tensor(loss_history)),
torch.mean(torch.Tensor(acc_history)),
))
acc_history_test.append((torch.mean(torch.Tensor(acc_history))).float())
loss_history_test.append((torch.mean(torch.Tensor(loss_history))).float())
print('epoch: {}|time: {:.4f}'.format(epoch, time.time() - start_))
print("========================================")
torch.save(cnn.state_dict(), model_path)
# 画出acc学习曲线
acc = acc_history_train
epoches = range(1, len(acc) + 1)
val_acc = acc_history_test
plt.plot(epoches, acc, 'b', label='Training acc')
plt.plot(epoches, val_acc, 'r', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend(loc='lower right')
plt.grid()
# 储存acc学习曲线
plt.savefig('./acc.png')
plt.show()
# 画出loss学习曲线
loss = loss_history_train
val_loss = loss_history_test
plt.plot(epoches, loss, 'b', label='Training loss')
plt.plot(epoches, val_loss, 'r', label='Validation loss')
plt.title('Training and validation loss')
plt.legend(loc='upper right')
plt.grid()
# 储存loss学习曲线
plt.savefig('loss.png')
plt.show()
Adam
只有将优化器改为Adam,其余都一样。
# 需要修改的只有这个code,将optimizer改成Adam就好。
optimizer = torch.optim.Adam(cnn.parameters(), lr=base_lr)
学习曲线
搭配CosineAnnealing之後,准确度稍微提升。
Adadelta
optimizer = torch.optim.Adadelta( cnn.parameters(),lr=base_lr, rho=0.9, eps=1e-06, weight_decay=0)
学习曲线
原本用固定学习率时收敛就较慢,搭配cosineAnnealing显得收敛更慢,建议可以用学习率衰减的方式,另外就是因为节省时间,这边都只有练20或40个epoches,当练多一点时,可以将T_max调整大一点,相信准确度和收敛状况会提升较多。
Adagrad
optimizer = torch.optim.Adagrad(cnn.parameters(), lr=0.01, lr_decay=0, weight_decay=0)
学习曲线
准确率有较固定学习率还低一点。但因这是示范而已,正常应该多跑几个epoches且多尝试初始学习率和参数,都会有所帮助。
Adamax
optimizer = torch.optim.Adamax(cnn.parameters(), lr=0.002, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)
optimizer = torch.optim.ASGD(cnn.parameters(), lr=0.8, lambd=0.0001, alpha=0.75, t0=1000000.0, weight_decay=0)
学习曲线
可以发现ASGD收敛原本就较缓慢,这次设置了60个epoches,loss值下降更缓慢,并没有比固定学习率效果来的好。可以试试看学习率衰减来更新,而不是用循环的学习率更新方式。
RMSprop
全都照预设去设置。
optimizer = torch.optim.RMSprop(cnn.parameters(), lr=0.01, alpha=0.99, eps=1e-08, weight_decay=0, momentum=0, centered=False)
可以发现这个优化器,准确度很震荡,但搭配後训练出一个不错的准确度。
SGD+momentum
Adam
Adadelta
Adagrad
Adamax
ASGD
RMSprop
搭配CosineAnnealing(余弦退火)的更新学习率後,有些反而提升准确度,有些反而下降,建议可以多尝试,小弟我本身在做玉山比赛的话是用SGD+momentum搭配CosineAnnealing,效果还不错。
优化器和学习率更新,搭配不同的资料集时,可能会有不同的效果,多尝试,会练出属於自己最好的模型。
<<: 30天打造品牌特色电商网站 Day.23 关於position定位
>>: DAY23 - 将作品发布出去吧 - 後端篇 (heroku)
并不是所有的都是常用的应用程序,而且多数情况下都是下载了 App 之後却没怎麽使用。渐渐地,这些应用...
事实上一现在的情况来看,若是要用 APCS 成绩当作升大学的跳板是完全不建议的,理由如下: 高手独占...
-威胁建模(来源:CSSLP CBK) 根据CSSLP CBK,可以通过以下方式进行威胁建模: 1...
.net core web api 可以和任何前端Client端技术或框架(javascript ,...
-重要性分析和业务影响分析 业务影响分析(BIA)是业务连续性管理的关键过程。它分析了中断对关键活...