[闘鶏眼]闘鶏眼でCNNモードを実現しましょう!(VGGNet編)

こんにちは!今日の位置づけから次の位置づけまで、CNNモデルの骨格となるモデルVGNET、GoogleNet、ResNetを紹介し、それを実装します.)今回のポスターはVGGNetに関する記事です.
まずILSVRC (Imagenet Large Scale Visual Recognition Challenges)という大会で、この大会は巨大な画像を1000個のサブ画像に分割することを目的としている.次の図はCNN構造の大衆化をリードするベンチャー企業のモデルたちで、AlexNet(2012)-VGGnet(2014)-GogleeNet(2014)-resNet(2015)の順だ.

Source : https://icml.cc/2016/tutorials/
上の図では、layersはCNN layerの個数(深さ)を表していますが、直感的な理解のために下図を描きました.

VGGNetの概要

紹介する

本稿のトピックは、大規模な画像認識のためのVery deepボリュームネットワークです.次のリンクにアクセスしてください.リンク

モデル性能に及ぼすニューラルネットワークの深さの影響を調べるため,VGGSETは対応する研究を開始し,これを実証するために3×3畳み込みDeep CNnsを用いることを提案した.ILSVVRC-2014大会ではVGNETがGoogle LeNetで2位だったが、Google LeNetよりも構造が簡単なため、1位機種よりも使用範囲が広い.

じっけんせっけい

モデルは3つの演算のみを含む:3 x 3ボリューム、Maxプール、および全接続ネットワーク、およびA、A−LRN、B、C、D、およびEの5つのモデルを下図に示すように実験した.

使用する各window sizeとactivation functionの設定は以下の通りです.

3x3 convolution filters (stride: 1)

2x2 Max pooling (stride : 2)

Activation function : ReLU

📢 ここで待って!
上の表のconv 3-64は、使用するウィンドウ数が64個、ウィンドウサイズが3 x 3であることを示しています.

パフォーマンス:

以下の性能表により,モデルの性能は深さが増すほど良くなり,「局所応答正常化」(Local Response Normalization,LR)は性能に大きな影響を及ぼさないことが分かった.

VGGNETの実装

VGNETの概要を理解した以上、今からそれを実施しましょうか.上記実験設計表におけるD列の設定を実施した.次の行は、この構造を再度説明します.

3 x 3合成乗算x 2(チャネル64)

3 x 3合成乗算x 2(チャネル128)

3 x 3合成乗算x 3(256チャネル)

3 x 3合成乗算x 3(チャネル512)

3 x 3合成乗算x 3(チャネル512)

FC layer x3
- FC layer 4096

FC layer 4096

FC layer 1000

符号化を容易にするために,2つのconv layerのblockと3つのblockをそれぞれ宣言する.

conv_2_block

def conv_2_block(in_dim,out_dim):
    model = nn.Sequential(
        nn.Conv2d(in_dim,out_dim,kernel_size=3,padding=1),
        nn.ReLU(),
        nn.Conv2d(out_dim,out_dim,kernel_size=3,padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2,2)
    )
    return model

conv_3_block

def conv_3_block(in_dim,out_dim):
    model = nn.Sequential(
        nn.Conv2d(in_dim,out_dim,kernel_size=3,padding=1),
        nn.ReLU(),
        nn.Conv2d(out_dim,out_dim,kernel_size=3,padding=1),
        nn.ReLU(),
        nn.Conv2d(out_dim,out_dim,kernel_size=3,padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2,2)
    )
    return model

Define VGG16

class VGG(nn.Module):
    def __init__(self, base_dim, num_classes=10):
        super(VGG, self).__init__()
        self.feature = nn.Sequential(
            conv_2_block(3,base_dim), #64
            conv_2_block(base_dim,2*base_dim), #128
            conv_3_block(2*base_dim,4*base_dim), #256
            conv_3_block(4*base_dim,8*base_dim), #512
            conv_3_block(8*base_dim,8*base_dim), #512        
        )
        self.fc_layer = nn.Sequential(
            # CIFAR10은 크기가 32x32이므로 
            nn.Linear(8*base_dim*1*1, 4096),
            # IMAGENET이면 224x224이므로
            # nn.Linear(8*base_dim*7*7, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, 1000),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(1000, num_classes),
        )

    def forward(self, x):
        x = self.feature(x)
        #print(x.shape)
        x = x.view(x.size(0), -1)
        #print(x.shape)
        x = self.fc_layer(x)
        return x

モデル、ロス、オプティマイザ宣言

# device 설정
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# VGG 클래스를 인스턴스화
model = VGG(base_dim=64).to(device)

# 손실함수 및 최적화함수 설정
loss_func = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

load CIFAR10 dataset

CIFAR 10は、「飛行機」「自動車」「鳥」「猫」「鹿」「犬」「カエル」「馬」「船」「トラック」の10種類からなるデータセットです.

CIFAR 10は、3x32x32ピクセルサイズの画像が3チャンネルの色からなることを意味する32x32ピクセルサイズの画像を含む.

TRAIN/TESTデータセットの定義

import torchvision
import torchvision.datasets as datasets
import torchvision.transforms as transforms
from torch.utils.data import DataLoader

# Transform 정의
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# CIFAR10 TRAIN 데이터 정의
cifar10_train = datasets.CIFAR10(root="../Data/", train=True, transform=transform, target_transform=None, download=True)

# CIFAR10 TEST 데이터 정의
cifar10_test = datasets.CIFAR10(root="../Data/", train=False, transform=transform, target_transform=None, download=True)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

TRAINデータセットの表示

import matplotlib.pyplot as plt
import numpy as np

# 이미지를 보여주기 위한 함수

def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()


# 학습용 이미지를 무작위로 가져오기
dataiter = iter(train_loader)
images, labels = dataiter.next()

# 이미지 보여주기
imshow(torchvision.utils.make_grid(images))

# 정답(label) 출력
print(' '.join('%5s' % classes[labels[j]] for j in range(batch_size)))

Source : https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html

TRAIN & TEST

データセットが定義されました.正式に学習と検証を開始しましょう.学習設定は次のように定義されます.

batch_size = 100
learning_rate = 0.0002
num_epoch = 100

TRAIN

loss_arr = []
for i in trange(num_epoch):
    for j,[image,label] in enumerate(train_loader):
        x = image.to(device)
        y_= label.to(device)
        
        optimizer.zero_grad()
        output = model.forward(x)
        loss = loss_func(output,y_)
        loss.backward()
        optimizer.step()

    if i % 10 ==0:
        print(loss)
        loss_arr.append(loss.cpu().detach().numpy())

非表示の表示

plt.plot(loss_arr)
plt.show()

テスト結果

# 맞은 개수, 전체 개수를 저장할 변수를 지정합니다.
correct = 0
total = 0

model.eval()

# 인퍼런스 모드를 위해 no_grad 해줍니다.
with torch.no_grad():
    # 테스트로더에서 이미지와 정답을 불러옵니다.
    for image,label in test_loader:
        
        # 두 데이터 모두 장치에 올립니다.
        x = image.to(device)
        y= label.to(device)

        # 모델에 데이터를 넣고 결과값을 얻습니다.
        output = model.forward(x)
        _,output_index = torch.max(output,1)

        
        # 전체 개수 += 라벨의 개수
        total += label.size(0)
        correct += (output_index == y).sum().float()
    
    # 정확도 도출
    print("Accuracy of Test Data: {}%".format(100*correct/total))

Accuracy of Test Data: 82.33999633789062%
長い文章読んでくれてありがとう^~^