12.4深度学习_模型优化和迁移_awanb、tb

一、数据获取方法

1. 开源数据集

​ 免费，成本低

1. PyTorch： https://pytorch.org/vision/stable/datasets.html

2. 开源数据集imagenet：https://image-net.org/

3. Hugging Face数据集：https://huggingface.co/datasets

4. kaggle数据集下载网址：https://www.kaggle.com/datasets

5. 各种网站：

   https://public.roboflow.com/

   https://zhuanlan.zhihu.com/p/648720525

   https://www.cvmart.net/dataSets

2. 外包平台

效果好，成本高

外包平台(Amazon Mechanical Turk，阿里众包，百度数据众包,京东微工等)

3.自己采集和标注

质量高、效率低、成本高。

labelimg、labelme工具的使用。

4. 通过网络爬虫获取

爬虫工具

二、数据本地化

​ 使用公开数据集时，会自动保存到本地。如果已下载，就不会重复下载。如果需要以图片的形式保存到本地以方便观察和重新处理，可以按照如下方式处理。

1. 图片本地化

使用一下代码保存图片到本地

dir = os.path.dirname(__file__)
def save2local():
    trainimgsdir = os.path.join(dir, "MNIST/trainimgs")
    testimgsdir = os.path.join(dir, "MNIST/testimgs")
    if not os.path.exists(trainimgsdir):
        os.makedirs(trainimgsdir)
    if not os.path.exists(testimgsdir):
        os.makedirs(testimgsdir)

    trainset = torchvision.datasets.MNIST(
        root=datapath,
        train=True,
        download=True,
        transform=transforms.Compose([transforms.ToTensor()]),
    )
    for idx, (img, label) in enumerate(trainset):
        labdir = os.path.join(trainimgsdir, str(label))
        os.makedirs(labdir, exist_ok=True)
        pilimg = transforms.ToPILImage()(img)
        # 保存成单通道的灰度图
        pilimg = pilimg.convert("L")
        pilimg.save(os.path.join(labdir, f"{idx}.png"))

    # 加载测试集
    testset = torchvision.datasets.MNIST(
        root=datapath,
        train=False,
        download=True,
        transform=transforms.Compose([transforms.ToTensor()]),
    )
    for idx, (img, label) in enumerate(testset):
        labdir = os.path.join(testimgsdir, str(label))
        os.makedirs(labdir, exist_ok=True)
        pilimg = transforms.ToPILImage()(img)
        # 保存成单通道的灰度图
        pilimg = pilimg.convert("L")
        pilimg.save(os.path.join(labdir, f"{idx}.png"))

    print("所有图片保存成功~~")

2. 加载图片数据集

直接下载的图片文件目录也可以直接使用

trainpath = os.path.join(dir, "MNIST/trainimgs")
trainset = torchvision.datasets.ImageFolder(root=trainpath, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)

3. 本地图片序列化

把本地图片存储为 pickle序列化格式 ，然后通过 tar格式的形式分发。

#自己写代码：找个学生来讲一下

++今天自己把本地的图片进行一个序列化处理。++

三、过拟合处理

1. 数据增强

可以使用transform完成对图像的数据增强，防止过拟合发生

​ https://pytorch.org/vision/stable/transforms.html

1.1 数据增强的方法

1. 随机旋转
   

2. 镜像

   

3. 缩放

4. 图像模糊

   

5. 裁剪

   

6. 翻转

7. 饱和度、亮度、灰度、色相

   

8. 噪声、锐化、颜色反转

   

9. 多样本增强

   SamplePairing操作：随机选择两张图片分别经过基础数据增强操作处理后，叠加合成一个新的样本，标签为原样本标签中的一种。

   

   ①、多样本线性插值：Mixup 标签更平滑

   

   ②、直接复制：CutMix, Cutout，直接复制粘贴样本

   

   ③、Mosic：四张图片合并到一起进行训练

   

1.2 数据增强的好处

​ 查出更多训练数据：大幅度降低数据采集和标注成本；

​ 提升泛化能力：模型过拟合风险降低，提高模型泛化能力

2. 标准化

3. DROP-OUT

处理过拟合问题的

4. 欠拟合注意事项

欠拟合： 如果模型在训练集和验证集上表现都不够好，考虑增加模型的层级或训练更多的周期。

四、训练过程可视化

1. wandb.ai

可在控制台看到训练进度。

官方文档有清晰简单的代码及思路，直接使用即可：https://wandb.ai/

1.1 安装

pip install wandb

1.2 登录

wandb login

复制平台提供的 API key粘贴回车即可（粘贴之后看不到的）。

1.3 初始化配置

import random

# start a new wandb run to track this script
wandb.init(
    # set the wandb project where this run will be logged
    project="my-awesome-project",

    # track hyperparameters and run metadata
    config={
    "learning_rate": 0.02,
    "architecture": "CNN",
    "dataset": "CIFAR-100",
    "epochs": 10,
    }
)

1.4 写入训练日志

# log metrics to wandb
wandb.log({"acc": correct / samp_num, "loss": total_loss / samp_num})        

1.5 添加模型记录

# 添加wandb的模型记录
wandb.watch(model, log="all", log_graph=True)

1.6 完成

# [optional] finish the wandb run, necessary in notebooks
wandb.finish()

1.7 查看

根据控制台提供的访问地址去查看训练过程数据即可。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

数据简单说明：

1. Process GPU Power Usage (W): GPU功率使用情况，以瓦特(W)为单位。
2. Process GPU Power Usage (%): GPU功率使用占GPU总功率的百分比。
3. Process GPU Memory Allocated (bytes): 分配给训练过程的GPU内存量，以字节为单位。
4. Process GPU Memory Allocated (%): 分配给训练过程的GPU内存占GPU总内存的百分比。
5. Process GPU Time Spent Accessing Memory (%): 训练过程中访问GPU内存的时间百分比。
6. Process GPU Temp (°C): GPU温度，以摄氏度(°C)为单位。

2. Tensor Board

官方推荐的学习文档：

https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html

2.1 准备工作

导入tensorboard操作模块

from torch.utils.tensorboard import SummaryWriter

指定tensorboard日志保存路径：可以指定多个实例对象

dir = os.path.dirname(__file__)
tbpath = os.path.join(dir, "tensorboard")
# 指定tensorboard日志保存路径
writer = SummaryWriter(log_dir=tbpath)

2.2 保存训练过程曲线

记录训练数据

# 记录训练数据到可视化面板
writer.add_scalar("Loss/train", loss, epoch)
writer.add_scalar("Accuracy/train", acc, epoch)

训练完后记得关闭

writer.close()

2.3 曲线查看

安装：安装的是执行指令，是一个本地化的服务器

pip install tensorboard

在训练完成后，查看训练结果，在当前目录下，打开控制台窗口：

tensorboard --logdir .

控制台会提示一个访问地址，用浏览器直接访问即可。

http://localhost:6006/

2.4 保存网络结构

保存网络结构到tensorboard

# 保存模型结构到tensorboard
writer.add_graph(net, input_to_model=torch.randn(1, 1, 28, 28))
writer.close()

启动tensorboard，在graphs菜单即可看到模型结构

2.5 模型参数可视化

# 获取模型参数并循环记录
params = net.named_parameters()
for name, param in params:
	writer.add_histogram(f"{name}_{i}", param.clone().cpu().data.numpy(), epoch)

2.6 记录训练数据

tensorboard中的add_image函数用于将图像数据记录到TensorBoard，以便可视化和分析。这对于查看训练过程中生成的图像、调试和理解模型的行为非常有用，如帮助检查预处理是否生效。

#查看预处理的旋转是否生效
for i, data in enumerate(trainloader, 0):
    inputs, labels = data
    if i % 100 == 0:
        img_grid = torchvision.utils.make_grid(inputs)
        writer.add_image(f"r_m_{epoch}_{i * 100}", img_grid, epoch * len(trainloader) + i)