（动手学习深度学习）第13章 实战kaggle竞赛：树叶分类

文章目录

• 实战kaggle比赛：树叶分类
• • • [1. 导入相关库](#1. 导入相关库)
    • [2. 查看数据格式](#2. 查看数据格式)
    • [3. 制作数据集](#3. 制作数据集)
    • [4. 数据可视化](#4. 数据可视化)
    • [5. 定义网络模型](#5. 定义网络模型)
    • [6. 定义超参数](#6. 定义超参数)
    • [7. 训练模型](#7. 训练模型)
    • [8. 测试并提交文件](#8. 测试并提交文件)
• 竞赛技术总结
• • • [1. 技术分析](#1. 技术分析)
    • [2. 数据方面](#2. 数据方面)
    • 模型方面
    • [3. AutoGluon](#3. AutoGluon)
    • [4. 总结](#4. 总结)

实战kaggle比赛：树叶分类

kaggle竞赛链接

数据集格式如下：

• image文件夹：27153张叶子图片，编号为： 0到27152
• sample_submission.csv(提交文件): 有8800个样本(18353到27152)，2列（图片名称、预测类别）
• test.csv(测试文件)：有8800个样本(18353到27152)，1列(图片名称)
• train.csv(训练文件)： 有18353个样本(0到18352),2列(图片名称，所属类别)

解题思路：

• 首先数据集是打乱随机分布，要通过train.csv将iamge的所有图片按照不同类别分配所属的文件夹
• 然后数据增强、设计模型、训练模型

1. 导入相关库

import torch
import torch.nn as nn
import pandas as pd
import numpy as np
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
from PIL import Image
import os
import matplotlib.pyplot as plt
import torchvision.models as models
# 下面时用来画图和显示进度条的两个库
from tqdm import tqdm  # 一个用于迭代过程中显示进度条的工具库
import seaborn as sns  # 在matplotlib基础上面的封装库，方便直接传参数调用

2. 查看数据格式

# 查看label文件格式
labels_dataframe = pd.read_csv("E:\\219\\22chenxiaoda\\experiment\\pythonProject\\data\\classify-leaves\\classify-leaves/train.csv")
labels_dataframe.head()

# 查看labels摘要：数值列的统计汇总信息
labels_dataframe.describe()

可视化数据集不同类别的样本数

# 用横向柱状图可视化不同类别中图片个数
def barw(ax):
    for p in ax.patches:
        val = p.get_width()  # 柱状图的高度即种类钟图片的数量
        x = p.get_x() + p.get_width()  # x位置
        y = p.get_y() + p.get_height()  # y位置
        ax.annotate(round(val, 2), (x, y))  # 注释文本的内容，被注释的坐标点
plt.figure(figsize=(15, 30))
# sns.countplot()函数: 以bar的形式展示每个类别的数量
ax0 = sns.countplot(y=labels_dataframe['label'], order=labels_dataframe['label'].value_counts().index)
barw(ax0)
plt.show()

将176个英文类别转换成对应的数据标签，方便训练。

# 将label文件排序
# set():函数创建一个无序不重复元素集
# list():创建列表
# sorted():返回一个排序后的新序列，不改变原始序列(默认按照字母升序)
leaves_labels = sorted(list(set(labels_dataframe['label'])))
n_classes = len(leaves_labels)
print(n_classes)
leaves_labels[:5]

# 将label文件排序
# set():函数创建一个无序不重复元素集
# list():创建列表
# sorted():返回一个排序后的新序列，不改变原始序列(默认按照字母升序)
leaves_labels = sorted(list(set(labels_dataframe['label'])))
n_classes = len(leaves_labels)
print(n_classes)
leaves_labels[:5]

再将数字转换成对应的标签：方便最后预测的时候应用

# 再将数字转换成对应的标签：方便最后预测的时候应用
num_to_class = {v : k for k,v in class_to_num.items()}
num_to_class

3. 制作数据集

# 继承pytorch的dataset，创建自己的
class LeavesData(DataLoader):
    def __init__(self, csv_path, file_path, mode='train', valid_ratio=0.2, resize_height=256, resize_with=256):
        """
        :param csv_path: csv文件路径
        :param file_path: 图像文件所在路径
        :param valid_ratio: 验证集比例
        :param resize_height:
        :param resize_with:
        """
        self.resize_height = resize_height
        self.resize_weight = resize_with
        self.file_path = file_path
        self.mode = mode

        # 读取csv文件
        # 利用pandas读取csv文件
        # pandas.read_csv("data.csv")默认情况下，会把数据内容的第一行默认为字段名标题。
        # 添加"header=None"，告诉函数，我们读取的原始文件数据没有列索引。因此，read_csv为自动加上列索引。
        # self.data_info = pd.read_csv(csv_path, header=None)
        self.data_info = pd.read_csv(csv_path)
        # 计算length
        self.data_len = len(self.data_info.index)
        self.train_len = int(self.data_len * (1 - valid_ratio))

        if mode == 'train':
            # 第一列包含图像文件的名称
            # 数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。
            self.train_image = np.asarray(self.data_info.iloc[0: self.train_len, 0])
            self.train_label = np.asarray(self.data_info.iloc[0:self.train_len, 1])
            self.image_arr = self.train_image
            self.label_arr = self.train_label
        elif mode == 'valid':
            self.valid_image = np.asarray(self.data_info.iloc[self.train_len:, 0])
            self.valid_label = np.asarray(self.data_info.iloc[self.train_len:, 1])
            self.image_arr = self.valid_image
            self.label_arr = self.valid_label
        elif mode == 'test':
            self.test_image = np.asarray(self.data_info.iloc[0:, 0])
            self.image_arr = self.test_image

        self.real_len = len(self.image_arr)


        print(f' Finished reading the {mode} set of Leaves Dataset ({self.real_len} samples found)')

    def __getitem__(self, index):
        # 从image_arr中得到索引对应的文件名
        single_image_name = self.image_arr[index]

        # 读取图像文件
        img_as_img = Image.open(self.file_path + single_image_name)

        # 设置好需要转换的变量， 还包括一系列的normalize等操作
        if self.mode == 'train':
            transform = transforms.Compose([
                transforms.Resize(224),
                transforms.RandomHorizontalFlip(),
                transforms.ToTensor(),
                transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
            ])
        else:
            transform = transforms.Compose([
                transforms.Resize(224),
                transforms.CenterCrop(224),
                transforms.ToTensor(),
                transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
            ])
        img_as_img = transform(img_as_img)

        if self.mode == 'test':
            return img_as_img
        else:
            # 得到train和valid的字符串label
            label = self.label_arr[index]
            # 字符串label-->数字label
            number_label = class_to_num[label]

            return img_as_img, number_label   # 返回每一个index对应的照片数据和对应的label

    def __len__(self):
        return self.real_len

train_path = "E:\\219\\22chenxiaoda\\experiment\\pythonProject\\data\\classify-leaves\\classify-leaves/train.csv"
test_path = "E:\\219\\22chenxiaoda\\experiment\\pythonProject\\data\\classify-leaves\\classify-leaves/test.csv"
# csv文件中已经定义到image的路径， 因此这里知道上一级目录
img_path = 'E:\\219\\22chenxiaoda\\experiment\\pythonProject\\data\\classify-leaves\\classify-leaves/'

train_dataset = LeavesData(train_path, img_path, mode='train')
val_dataset = LeavesData(train_path, img_path, mode='valid')
test_dataset = LeavesData(test_path, img_path, mode='test')


print(train_dataset)
print(val_dataset)
print(test_dataset)

# 定义dataloader
train_loader = torch.utils.data.DataLoader(
    dataset=train_dataset, batch_size=32, shuffle=True
)
val_loader = torch.utils.data.DataLoader(
    dataset=val_dataset, batch_size=32,shuffle=False
)
test_loader = torch.utils.data.DataLoader(
    dataset=test_dataset, batch_size=32, shuffle=False
)

4. 数据可视化

# 展示数据
def im_covert(tensor):
    """展示数据"""
    image = tensor.to("cpu").clone().detach()
    image = image.numpy().squeeze()
    image = image.transpose(1, 2, 0)
    image = image * np.array((0.229, 0.224, 0.225)) + np.array((0.485, 0.456, 0.406))  # 还原标准化，先乘再加
    image = image.clip(0, 1)

    return image

fig = plt.figure(figsize=(20, 12))
columns = 4
rows = 2

dataiter = iter(val_loader)
inputs, classes = dataiter.next()

for idx in range(columns * rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    ax.set_title(num_to_class[int(classes[idx])])
    plt.imshow(im_covert(inputs[idx]))
plt.show()

5. 定义网络模型

# 是否使用GPU来训练
def get_device():
    return 'cuda' if torch.cuda.is_available() else 'cpu'

device = get_device()
print(device)

# 是否要冻住模型的前面一些层
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:
        model = model
        for param in model.parameters():
            param.requires_grad = False

# 选用resnet34模型
# 是否要冻住模型的前面一些层
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:
        model = model
        for param in model.parameters():
            param.requires_grad = False

# 使用resnet34模型
def res_model(num_classes, feature_extract=False):
    model_ft = models.resnet34(weights=models.ResNet34_Weights.IMAGENET1K_V1)
    set_parameter_requires_grad(model_ft, feature_extract)
    num_ftrs = model_ft.fc.in_features
    model_ft.fc = nn.Linear(num_ftrs, num_classes)

    return model_ft

# 模型初始化
model = res_model(176)
model = model.to(device)
model.device = device
model

6. 定义超参数

learning_rate = 3e-4
weight_decay = 1e-3
num_epoch = 50
model_path = './pre_res_model_32.ckpt'

criterion = nn.CrossEntropyLoss()

不冻住前面的预训练层

• 对预训练层， 使用较小的学习率训练

• 对自定义的分类输出层， 使用较大的学习率

# 对最后定义的全连接层和之前的层采用不同的学习率训练
params_1x = [param for name, param in model.named_parameters()
             if name not in ['fc.weight', 'fc.bias']]
optimizer = torch.optim.Adam(
    # model.parameters(),
    [{'params': params_1x}, {'params': model.fc.parameters(), 'lr': learning_rate * 10}],
    lr=learning_rate, weight_decay=weight_decay
)

7. 训练模型

import time

# 在开头设置开始时间
start = time.perf_counter()  # start = time.clock() python3.8之前可以

best_acc, best_epoch = 0.0, 0
train_loss, train_accs = [], []
valid_loss, valid_accs = [], []

for epoch in range(num_epoch):

    # -----------训练-----------
    model.train()
    train_loss = []
    train_accs = []

    for imgs, labels in tqdm(train_loader):
        #  一个batch由imgs和相应的labels组成。
        imgs = imgs.to(device)
        labels = labels.to(device)
        # 前向传播
        predicts = model(imgs)
        # 计算损失
        loss = criterion(predicts, labels)
        # 梯度清空
        optimizer.zero_grad()
        # 反向传播
        loss.backward()
        # 梯度更新
        optimizer.step()

        # 计算当前batch的精度
        # 转为float就是把true变成1，false变成0；
        # 然后mean就是求这个向量的均值，也就是true的数目除以总样本数，得到acc。
        acc =(predicts.argmax(dim=1) == labels).float().mean()

        # 记录训练损失和精度
        train_loss.append(loss.item())
        train_accs.append(acc)

    # 训练集的平均损失和准确性是一个batch的平均值
    train_loss = sum(train_loss) / len(train_loss)
    train_acc = sum(train_accs) / len(train_accs)

    # 打印训练损失和精度
    print(f'[Train | {epoch + 1 :03d} / {num_epoch:03d}] Train loss = {train_loss:.5f},  Train acc={train_acc:.5f}')

    # --------验证--------
    model.eval()
    valid_loss = []
    valid_accs = []

    for batch in tqdm(val_loader):
        imgs, labels = batch

        # 前向传播
        # 验证不需要计算梯度
        # 使用torch.no_grad()不计算梯度，能加速前向传播过程
        with torch.no_grad():
            predicts = model(imgs.to(device))

        # 计算损失
        loss = criterion(predicts, labels.to(device))
        # 计算精度
        acc = (predicts.argmax(dim=-1) == labels.to(device)).float().mean()

        # 记录验证损失和精度
        valid_loss.append(loss.item())
        valid_accs.append(acc)

    # 跟训练集一样： 验证集的平均损失和准确性是一个batch的平均值
    valid_loss = sum(valid_loss) / len(valid_loss)
    valid_acc = sum(valid_accs) / len(valid_accs)

    # 打印验证损失和精度
    print(f'[Valid | {epoch + 1:03d} / {num_epoch:03d}] loss = {valid_loss:.5f}, acc = {valid_acc:.5f}')

    # 保存迭代过程中最优的模型参数
    if valid_acc > best_acc:
        best_acc = valid_acc
        best_epoch = epoch
        torch.save(model.state_dict(), model_path)
        print(f'Save model with acc{best_acc:.3f}, it is the {epoch} epoch')

print(f'The best model with acc{best_acc:.3f}, it is the {best_epoch} epoch')

# 在程序运行结束的位置添加结束时间
end = time.perf_counter()  # end = time.clock()  python3.8之前可以

# 再将其进行打印，即可显示出程序完成的运行耗时
print(f'运行耗时{(end-start):.4f}')

8. 测试并提交文件

# 提交文件
saveFileName = './submission32.csv'

# 预测
model = res_model(176)

# 利用前面训练好的模型参数进行预测
model = model.to(device)
model.load_state_dict(torch.load(model_path))

# 模型预测
model.eval()

# 保存预测结果
predictions = []

# 迭代测试集
for batch in tqdm(test_loader):
    imgs = batch
    with torch.no_grad():
        logits = model(imgs.to(device))
    
    # 保存预测结果
    predictions.extend(logits.argmax(dim=-1).cpu().numpy().tolist())

preds = []
for i in predictions:
    # 将数字标签转换为对应的字符串标签
    preds.append(num_to_class[i])

test_data = pd.read_csv(test_path)
test_data['label'] = pd.Series(preds)
submission = pd.concat([test_data['image'], test_data['label']], axis=1)
submission.to_csv(saveFileName, index=False)
print('Done!!!!!') 

竞赛技术总结

1. 技术分析

相比于课程介绍的代码，大家主要做了下面这些加强

• 数据增强，在测试时多次使用稍弱的增强然后取平均
• 使用多个模型预测，最后结果加权平均
  • 有使用10种模型的，也有使用单一模型的
• 训练算法和学习率
• 清理数据

2. 数据方面

• 有重复图片，可以手动去除
• 图片背景较多，而且树叶没有方向性，可以做更多数据增强
  • 随机旋转、更大的剪裁
• 跨图片增强：
  • Mixup: 随机叠加两张图片
  • CutMix：随机组合来自不同图片的块

模型方面

• 模型多为ResNet变种
  • DenseN儿童， ResNeXt, ResNeSt，···
  • EfficientNet
• 优化算法多为Adam或其变种
• 学习率一般是Cosine或者训练不动时往下调

3. AutoGluon

• 15行代码，安装加训练花时100分钟
  • AutoGluon链接
• 精度96%
  • 可以通过定制化提升精度
  • 下一个版本将搜索更多的模型超参数
  • AG目前主要仍是关注工业界应用上，非比赛

4. 总结

• 提升精度思路：根据数据挑选增强，使用新模型、新优化算法，多模型融合，测试时使用增强
• 数据相对简单，排名有相对随机性
• 在工业界应用中：
  • 少使用模型融合和测试时增强，计算代价过高
  • 通常固定模型超参数，而将精力主要花在提升数据质量