paddlepaddle圖像分類與visualDL嘗鮮體驗
paddlepaddle圖像分類
很早之前，有寫過關于TensorFlow， MXNet中如何訓練一個靠譜的圖像分類器，這里我會先使用paddlepaddle官方的例子，來學習下如何使用paddlepaddle構建一個靠譜的分類器。
數據介紹
官方文檔上使用的數據是flowers-102，這個數據集早在當初tflearn學習深度學習網絡的時候就有接觸過，還是比較簡單的，paddlepaddle把它寫成數據接口
模型介紹
paddlepaddle的模型介紹model overview。這里我們在實驗當中使用大名鼎鼎的resnet-50:
import paddle.v2 as paddle __all__ = ['resnet_imagenet', 'resnet_cifar10'] def conv_bn_layer(input, ch_out, filter_size, stride, padding, active_type=paddle.activation.Relu(), ch_in=None): tmp = paddle.layer.img_conv( input=input, filter_size=filter_size, num_channels=ch_in, num_filters=ch_out, stride=stride, padding=padding, act=paddle.activation.Linear(), bias_attr=False) return paddle.layer.batch_norm(input=tmp, act=active_type) def shortcut(input, ch_out, stride): if input.num_filters != ch_out: return conv_bn_layer(input, ch_out, 1, stride, 0, paddle.activation.Linear()) else: return input def basicblock(input, ch_out, stride): short = shortcut(input, ch_out, stride) conv1 = conv_bn_layer(input, ch_out, 3, stride, 1) conv2 = conv_bn_layer(conv1, ch_out, 3, 1, 1, paddle.activation.Linear()) return paddle.layer.addto( input=[short, conv2], act=paddle.activation.Relu()) def bottleneck(input, ch_out, stride): short = shortcut(input, ch_out * 4, stride) conv1 = conv_bn_layer(input, ch_out, 1, stride, 0) conv2 = conv_bn_layer(conv1, ch_out, 3, 1, 1) conv3 = conv_bn_layer(conv2, ch_out * 4, 1, 1, 0, paddle.activation.Linear()) return paddle.layer.addto( input=[short, conv3], act=paddle.activation.Relu()) def layer_warp(block_func, input, ch_out, count, stride): conv = block_func(input, ch_out, stride) for i in range(1, count): conv = block_func(conv, ch_out, 1) return conv def resnet_imagenet(input, class_dim, depth=50): cfg = { 18: ([2, 2, 2, 1], basicblock), 34: ([3, 4, 6, 3], basicblock), 50: ([3, 4, 6, 3], bottleneck), 101: ([3, 4, 23, 3], bottleneck), 152: ([3, 8, 36, 3], bottleneck) } stages, block_func = cfg[depth] conv1 = conv_bn_layer( input, ch_in=3, ch_out=64, filter_size=7, stride=2, padding=3) pool1 = paddle.layer.img_pool(input=conv1, pool_size=3, stride=2) res1 = layer_warp(block_func, pool1, 64, stages[0], 1) res2 = layer_warp(block_func, res1, 128, stages[1], 2) res3 = layer_warp(block_func, res2, 256, stages[2], 2) res4 = layer_warp(block_func, res3, 512, stages[3], 2) pool2 = paddle.layer.img_pool( input=res4, pool_size=7, stride=1, pool_type=paddle.pooling.Avg()) out = paddle.layer.fc(input=pool2, size=class_dim, act=paddle.activation.Softmax()) return out def resnet_cifar10(input, class_dim, depth=32): # depth should be one of 20, 32, 44, 56, 110, 1202 assert (depth - 2) % 6 == 0 n = (depth - 2) / 6 nStages = {16, 64, 128} conv1 = conv_bn_layer( input, ch_in=3, ch_out=16, filter_size=3, stride=1, padding=1) res1 = layer_warp(basicblock, conv1, 16, n, 1) res2 = layer_warp(basicblock, res1, 32, n, 2) res3 = layer_warp(basicblock, res2, 64, n, 2) pool = paddle.layer.img_pool( input=res3, pool_size=8, stride=1, pool_type=paddle.pooling.Avg()) out = paddle.layer.fc(input=pool, size=class_dim, act=paddle.activation.Softmax()) return out 運行
進入對應目錄后
python train.py resnet 即可完成
但是事實上其實不是這樣的，paddlepaddle安裝whl和tensorflow一樣，gpu版本都會對應不同的cuda和cudnn，經常會出一些配置問題，所以直接在系統中安裝其實是一個不好的選擇，所以***是不要選擇直接安裝，而是使用nvidia-docker,同理在tensorflow，mxnet中，感覺nvidia-docker也是很好的。
nvidia-docker安裝
- 安裝cuda、cudnn，***的；
- 根據系統選擇對應版本的docker;
- 安裝nvidia-docker:
docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f sudo apt-get purge -y nvidia-docker docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f sudo apt-get purge -y nvidia-docker curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/ubuntu16.04/amd64/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo pkill -SIGHUP dockerd - 拉paddlepaddle鏡像
docker pull paddlepaddle/paddle:latest-gpu - 進入docker，
nvidia-docker run -it -v $PWD:/work -v /data:/data paddlepaddle/paddle:latest-gpu /bin/bash。這里稍微注意下，paddlepaddle的官方鏡像源里面缺少一些必須的包，比如opencv，好像有點問題，還有vim啥的也都沒有裝，這里為了運行***把這些環境一次性都解決，然后docker commit，保存對鏡像的修改。
基本這樣，你就可以在本機上有一個完全干凈的docker環境，你就可以隨便折騰啦。這里如果有運行不起來的問題，可在下方評論，我具體也不記得缺哪些東西，不過都很好解決的
docker中運行
這里我運行過很長時間的一個demo，但是因為沒有保存好信息，被覆蓋了，所以只能暫時演示一下。
使用自己的數據集來訓練模型
實驗完官方的flower-102之后，我們這里使用自己的數據集來訓練模型，數據集是之前收集到的鑒黃數據，數據集主要包括三類：porn\sexy\normal，大概有500w張左右。 首先，我們需要生成如下格式，格式為圖像路徑+"\t"+label，其中label為0表示normal，1表示sexy，2表示porn。 生成腳本如下：
import random import os import codecs import sys def gen_datalist(data_dir, class_label, data_type="train", shuffle=True, suffix_list=["jpg", "jpeg", "JPEG", "jpg"]): all_files = [] for root, dirs, files in os.walk(data_dir): print "processing {0}".format(root) for file_name in files: file_name = os.path.join(root, file_name) suffix = file_name.split(".")[-1] if suffix in suffix_list: all_files.append(file_name) if shuffle: print "shuffle now" random.shuffle(all_files) print "begin to write to {0}".format(data_type+"_"+class_label+".lst") with codecs.open(data_type+"_"+class_label+".lst", "w", encoding="utf8") as fwrite: for each_file in all_files: fwrite.write(each_file+"\t"+class_label+"\n") if __name__ == "__main__": argv = sys.argv data_dir = argv[1] class_label = argv[2] gen_datalist(data_dir, class_label) 有了腳本運行之后，發現了一些cv2庫中none 沒有shape的問題，調試之后發現，原來收集的數據中，有部分大小為0或者很小的圖像，這部分應該是有問題的數據，寫了個濾除腳本，刪除這些數據之后就妥了
from paddle.v2.image import load_and_transform import paddle.v2 as paddle def filter_imgs(file_path = "train.lst", write_file = "valid_train.lst"): fwrite = open(write_file, "w") with open(file_path, 'r') as fread: error=0 for line in fread.readlines(): img_path = line.strip().split("\t")[0] try: img = paddle.image.load_image(img_path) img = paddle.image.simple_transform(img, 256, 224, True) fwrite.write(line) except: error += 1 print error filter_imgs() 從頭開始訓練模型
在paddlepaddle中訓練模型
image = paddle.layer.data( name="image", type=paddle.data_type.dense_vector(DATA_DIM)) conv, pool, out = resnet.resnet_imagenet(image, class_dim=CLASS_DIM) cost = paddle.layer.classification_cost(input=out, label=lbl) parameters = paddle.parameters.create(cost) optimizer = paddle.optimizer.Momentum( momentum=0.9, regularization=paddle.optimizer.L2Regularization(rate=0.0005 * BATCH_SIZE), learning_rate=learning_rate / BATCH_SIZE, learning_rate_decay_a=0.1, learning_rate_decay_b=128000 * 35, learning_rate_schedule="discexp", ) train_reader = paddle.batch( paddle.reader.shuffle( # flowers.train(), # To use other data, replace the above line with: reader.train_reader('valid_train0.lst'), buf_size=1000), batch_size=BATCH_SIZE) def event_handler(event): if isinstance(event, paddle.event.EndIteration): if event.batch_id % 1 == 0: print "\nPass %d, Batch %d, Cost %f, %s" % ( event.pass_id, event.batch_id, event.cost, event.metrics) if isinstance(event, paddle.event.EndPass): with gzip.open('params_pass_%d.tar.gz' % event.pass_id, 'w') as f: trainer.save_parameter_to_tar(f) result = trainer.test(reader=test_reader) print "\nTest with Pass %d, %s" % (event.pass_id, result.metrics) trainer.train( reader=train_reader, num_passes=200, event_handler=event_handler) - 需要配置resnet網絡，確定好input和out，配置cost函數，構建parameter；
- 構建optimizer,使用momentum的sgd；
- 構建reader，設置訓練數據讀取，配置上文提到的圖片路徑\tlabel的文件；
- event_handler是用來記錄batch_id\pass的事件處理函數，傳入train函數，訓練過程中會完成相應工作；
pretrain model + finetuning
resnet官方提供一個在imagenet上訓練好的pretrained model，運行model_download.sh。
sh model_download.sh ResNet50 會下載Paddle_ResNet50.tar.gz, 這個文件是paddlepaddle在ImageNet上訓練的模型文件，我們這里使用這個文件的參數做初始化，我們需要在代碼，參數初始化的時候，使用這里的參數，修改代碼如下：
if args.retrain_file is not None and ''!=args.retrain_file: print("restore parameters from {0}".format(args.retrain_file)) exclude_params = [param for param in parameters.names() if param.startswith('___fc_layer_0__')] parameters.init_from_tar(gzip.open(args.retrain_file), exclude_params) 首先，我們需要指定init_from_tar的參數文件為Paddle_ResNet50.tar.gz, 大家知道ImageNet是在1000類上的一個模型，它的輸出為1000個節點，所以我們這里需要稍作修改，我們增加一個exclud_params，指定***一層___fc_layer_0__的參數，不要從文件當中初始化.
pretrain model + freeze layers + finetuning
查了文檔和代碼知道，只需要在某層增加is_static=True，就可以freeze掉該層的參數，使該層參數不更新，但是我在使用這部分時遇到了bug，提了issue (core dumped with is_static=True)[https://github.com/PaddlePaddle/Paddle/issues/8355]，出現core的問題，無法正常使用，后面能夠搞定了，再更新這部分內容。
代碼改進
examples里面的代碼reader部分在處理data.lst時，太過粗糙，沒有考慮到數據如果出現一些問題時，訓練代碼會直接掛掉，這部分的代碼至少要保證足夠的魯棒性
def train_reader(train_list, buffered_size=1024): def reader(): with open(train_list, 'r') as f: lines = [line.strip() for line in f] for line in lines: try: img_path, lab = line.strip().split('\t') yield img_path, int(lab) except: print "record in {0} get error".format(train_list) continue return paddle.reader.xmap_readers(train_mapper, reader, cpu_count(), buffered_size) visualDL實踐
可視化acc\loss
之前有在小的demo上體驗過visualDL，在比較大的數據訓練過程上沒試驗過，這次鑒黃數據上測試，打印出loss和acc看看，當小數量的step的時候，看起來是沒有問題的 。
但是但step較大的時候，acc打印不出來了，同樣的代碼，出錯信息也看不出來，各種莫名的報錯，看樣子和使用的代碼沒有什么關系，應該是visualDL本身的容錯做的不夠。
出錯提示：
這部分和之前提過的一個issue很類似: Unexpected error: <type 'exceptions.RuntimeError'> 因為信息量不夠，其實很難自己這邊做問題分析，希望visualDL把這塊容錯做好一些。
這塊時間應該有些問題，我也不知道，我總覺的有點問題 是我用的姿勢不對嗎 ？
可視化graph
使用有問題，使用paddlepaddle保存好的模型指定給model_pb 出現如下問題， 看了repo中的這部分的demo都是直接curl下來一個model.pb的文件，然后可視化，沒有找到能直接導出paddlepaddle保存模型的導入到visualdl中， 可能是我的使用方式有問題， 保存模型方式如下圖：
莫非需要先把paddlepaddle模型轉換為onnx格式？
可視化image
有問題，暫時沒有測試，之后更新后同步
總結
paddlepaddle現在在dl這塊還只是剛開始，example里面的demo和tensorflow最開始一樣，并不能完全hold住實際業務需求，當初tensorflow的時候也有種種的問題，后來經過社區的幫助，到現在很多源碼幾乎都是開箱即用，paddlepaddle現在可能在文檔與demo上還是0.7版本的tensorflow，不過希望能更加努力，畢竟作為同行，在參與了一些分布式dl模型的工作之后，深知其中的艱辛。visualdl相當棒的工具，支持onnx的模型可視化,雖然在測試過程中感覺有些瑕疵，但是十分支持，希望能快速發展，個人也在閱讀這部分源碼學習， histogram的相關功能沒有測試，挺有用的 尤其在訓練跑偏的時候可以快速可視化參數的分布。***，強烈希望visualdl能把文檔弄的更友好一些，加油。
另外，大年三十，祝大家新年快樂，狗年跑模型妥妥的收斂
