Cnn 3 (cifar10 (1) dataset)
신경망 학습 (CIFAR10 in Pytorch)
from IPython.display import Image
Image('./images/cifar10.png', width=600)
 Dataset)/output_1_0.png)
import torch # 파이토치 기본 라이브러리
# torchvision : 데이터셋, 모델 아키텍처, 컴퓨터 비전의 이미지 변환 기능 제공
from torchvision import datasets # torchvision에서 제공하는 데이터셋
from torchvision import transforms # 이미지 변환기능을 제공하는 패키지
# torch.utils.data : 파이토치 데이터 로딩 유틸리티
from torch.utils.data import DataLoader # 모델 훈련에 사용할 수 있는 미니 배치 구성하고
# 매 epoch마다 데이터를 샘플링, 병렬처리 등의 일을 해주는 함수
from torch.utils.data import random_split
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter
from copy import deepcopy
!nvidia-smi
Mon Apr 10 02:21:21 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.12 Driver Version: 525.85.12 CUDA Version: 12.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 NVIDIA A100-SXM... Off | 00000000:00:04.0 Off | 0 |
| N/A 32C P0 43W / 400W | 0MiB / 40960MiB | 0% Default |
| | | Disabled |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
device
device(type='cuda')
1. 데이터 불러오기
# Compose를 통해 원하는 전처리기를 차례대로 넣을 수 있음음
# mnist_transform = transforms.Compose([transforms.Resize(16), transforms.ToTensor()])
# trainset = datasets.MNIST('./datasets/', download=True, train=True, transform = mnist_transform)
# dataset = datasets.MNIST(다운받을 디렉토리, 다운로드여부, 학습용여부, 전처리방법)
trainset = datasets.CIFAR10('./datasets/', download=True, train=True, transform = transforms.ToTensor())
testset = datasets.CIFAR10('./datasets/', download=True, train=False, transform = transforms.ToTensor())
Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./datasets/cifar-10-python.tar.gz
100%|██████████| 170498071/170498071 [00:05<00:00, 32944383.80it/s]
Extracting ./datasets/cifar-10-python.tar.gz to ./datasets/
Files already downloaded and verified
print(type(trainset), len(trainset))
print(type(testset), len(testset))
<class 'torchvision.datasets.cifar.CIFAR10'> 50000
<class 'torchvision.datasets.cifar.CIFAR10'> 10000
print(type(trainset.targets), len(trainset.targets), trainset.targets[:5])
<class 'list'> 50000 [6, 9, 9, 4, 1]
# 클래스별 분포
for i in range(10): # 클래스별 순회
print('클래스(레이블)별 데이터 개수 : ', i, (np.array(trainset.targets) == i).sum())
클래스(레이블)별 데이터 개수 : 0 5000
클래스(레이블)별 데이터 개수 : 1 5000
클래스(레이블)별 데이터 개수 : 2 5000
클래스(레이블)별 데이터 개수 : 3 5000
클래스(레이블)별 데이터 개수 : 4 5000
클래스(레이블)별 데이터 개수 : 5 5000
클래스(레이블)별 데이터 개수 : 6 5000
클래스(레이블)별 데이터 개수 : 7 5000
클래스(레이블)별 데이터 개수 : 8 5000
클래스(레이블)별 데이터 개수 : 9 5000
from sklearn.model_selection import train_test_split
train_indices, valid_indices, _, _ = train_test_split(
range(len(trainset)), # X의 index
trainset.targets, # y
stratify=trainset.targets, # target의 비율이 train과 valid에 그대로 반영되게
test_size= 0.2, random_state=42)
len(train_indices), len(valid_indices) # 80%, 20%
(40000, 10000)
from torch.utils.data import Subset
train_set = Subset(trainset, train_indices)
valid_set = Subset(trainset, valid_indices)
valid_set[0][1] # 0번째 샘플의 정답답
2
# 클래스별 분포
class_list = []
for i in range(10): # 클래스별 순회
s = 0
for j in range(len(valid_set)): # valid_data 10000개 순회
if valid_set[j][1] == i :
s += 1
class_list.append(s)
class_list
[1000, 1000, 1000, 1000, 1000, 1000, 1000, 1000, 1000, 1000]
# trainset을 다시 train용과 valid 용으로 나누고자 할 때
# trainset, validset = random_split(trainset, [50000, 10000])
print(type(train_set), len(train_set))
print(type(valid_set), len(valid_set))
print(type(testset), len(testset))
<class 'torch.utils.data.dataset.Subset'> 40000
<class 'torch.utils.data.dataset.Subset'> 10000
<class 'torchvision.datasets.cifar.CIFAR10'> 10000
# 0번째 샘플에 2개의 원소가 있는데, 그중 첫번째 원소는 이미지, 두번째 원소는 정답
# 그러나 파이토치로 읽어들인 이미지 텐서의 형상이 channels * height * width 임
# 그에 비해 opencv, matplotlib으로 읽어들인 이미지 array의 형상은 height * width * channels
print(train_set[0][0].size(), train_set[0][1])
torch.Size([3, 32, 32]) 6
2. 데이터 시각화
labels_map = {0 : 'airplane', 1 : 'automobile', 2 : 'bird', 3 : 'cat', 4 : 'deer', 5 : 'dog', 6 : 'frog',
7 : 'horse', 8 : 'ship', 9 : 'truck'} # for cifar
figure, axes = plt.subplots(nrows=4, ncols=8, figsize=(14, 8))
axes = axes.flatten()
for i in range(32):
rand_i = np.random.randint(0, len(trainset))
image, label= trainset[rand_i][0].permute(1, 2, 0), trainset[rand_i][1]
axes[i].axis('off')
axes[i].imshow(image)
axes[i].set_title(labels_map[label])
 Dataset)/output_20_0.png)
3. 데이터 적재
DataLoader
- 모델 훈련에 사용할 수 있는 미니 배치 구성하고
- 매 epoch마다 데이터를 샘플링, 병렬처리 등의 일을 해주는 함수
배치 사이즈
- 배치 사이즈 중요한 하이퍼 파라미터
-
16 이하로 사용하는것이 성능에 좋다고 알려져 있음
- 배치 사이즈가 크다는 것은 실제 Loss, Gradient, Weight를 구하는 데 참여하는 데이타가 많다라는 뜻
-
배치 사이즈가 작을 수록 모델이 학습을 하는데 한번도 보지 않은 신선한 데이터가 제공될 확률이 큼
- 배치 사이즈가 크면 학습시간은 줄일 수 있으나 적절한 배치사이즈로 학습을 해야 성능을 높일 수 있음
- (60000개의 데이터를 100개의 미니배치로 학습하면 1 epoch당 걸리는 횟수가 600번인데, 10개의 미니배치로 학습하면 1 epoch당 걸리는 횟수가 6000번)
batch_size = 16 # 100 -> 16
# dataloader = DataLoader(데이터셋, 배치사이즈, 셔플여부.....)
trainloader = DataLoader(train_set, batch_size=batch_size, shuffle=True) # 훈련용 50000개의 데이터를 100개씩 준비
validloader = DataLoader(valid_set, batch_size=batch_size, shuffle=False) # 검증용 10000개의 데이터를 100개씩 준비
testloader = DataLoader(testset, batch_size=batch_size, shuffle=False) # 테스트용 10000개의 데이터를 100개씩 준비
40000/16, 10000/16, 10000/16
(2500.0, 625.0, 625.0)
print(type(trainloader), len(trainloader))
print(type(validloader), len(validloader))
print(type(testloader), len(testloader))
<class 'torch.utils.data.dataloader.DataLoader'> 2500
<class 'torch.utils.data.dataloader.DataLoader'> 625
<class 'torch.utils.data.dataloader.DataLoader'> 625
train_iter = iter(trainloader)
images, labels = next(train_iter)
images.size(), labels.size()
(torch.Size([16, 3, 32, 32]), torch.Size([16]))
4. 모델 생성
from IPython.display import Image
Image('./images/cnn architecture 2.png', width=700)
 Dataset)/output_29_0.png)
import torch.nn as nn # 파이토치에서 제공하는 다양한 계층 (Linear Layer, ....)
import torch.optim as optim # 옵티마이저 (경사하강법...)
import torch.nn.functional as F # 파이토치에서 제공하는 함수(활성화 함수...)
# 가중치 초기화
# https://pytorch.org/docs/stable/nn.init.html
# 현재 default 값
# Linear :
# https://github.com/pytorch/pytorch/blob/9cf62a4b5d3b287442e70c0c560a8e21d8c3b189/torch/nn/modules/linear.py#L168
# Conv :
# https://github.com/pytorch/pytorch/blob/9cf62a4b5d3b287442e70c0c560a8e21d8c3b189/torch/nn/modules/conv.py#L111
# 가중치 초기화시 고려할 사항
# 1. 값이 충분히 작아야 함
# 2. 값이 하나로 치우쳐선 안됨
# 3. 적당한 분산으로 골고루 분포가 되어야 함
option 4 : nn.Module 서브클래싱하기
- 파라미터 관리가 필요없는 기능(활성화 함수, …) 함수형(functional)으로 작성
- 함수형이란 출력이 입력에 의해 결정
모델 바뀐점
- conv_block 추가
- batch noramalization 추가
- drop out 추가
완전 연결망과 CNN망과의 차이점
- 지역 연산
- 가중치 공유(적은 파라미터)
- 평행 이동 불변성
class CIFAR10_CNN(nn.Module):
def __init__(self):
super().__init__()
self.conv_block1 = nn.Sequential(
nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, padding=1),
nn.BatchNorm2d(num_features=32),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2)
) # batch_size x 32 x 16 x 16
self.conv_block2 = nn.Sequential(
nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, padding=1),
nn.BatchNorm2d(num_features=64),
nn.Dropout(0.2),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2)
) # batch_size x 64 x 8 x 8
self.conv_block3 = nn.Sequential(
nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, padding=1),
nn.BatchNorm2d(num_features=128),
nn.Dropout(0.4),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2)
) # batch_size x 128 x 4 x 4
self.linear1 = nn.Linear(in_features=128*4*4, out_features=128)
self.batch_norm = nn.BatchNorm1d(num_features=128)
self.linear2 = nn.Linear(in_features=128, out_features=10)
def forward(self, x):
x = self.conv_block1(x) # batch_size x 32 x 16 x 16
x = self.conv_block2(x) # batch_size x 64 x 8 x 8
x = self.conv_block3(x) # batch_size x 128 x 4 x 4
# reshape할 형상 : (batch_size x 128*4*4)
# x = x.view(-1, 128*4*4) # option 1 : view
x = torch.flatten(x, 1) # option 2 : flatten
# x = x.reshape(x.shape[0], -1) # option 3 : reshape
x = self.linear1(x)
x = self.batch_norm(x)
x = F.dropout(x, 0.5)
x = F.relu(x)
x = self.linear2(x)
return x
model = CIFAR10_CNN()
model.to(device)
model
CIFAR10_CNN(
(conv_block1): Sequential(
(0): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(conv_block2): Sequential(
(0): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): Dropout(p=0.2, inplace=False)
(3): ReLU()
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(conv_block3): Sequential(
(0): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): Dropout(p=0.4, inplace=False)
(3): ReLU()
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(linear1): Linear(in_features=2048, out_features=128, bias=True)
(batch_norm): BatchNorm1d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(linear2): Linear(in_features=128, out_features=10, bias=True)
)
for name, parameter in model.named_parameters():
print(name, parameter.size())
conv_block1.0.weight torch.Size([32, 3, 3, 3])
conv_block1.0.bias torch.Size([32])
conv_block1.1.weight torch.Size([32])
conv_block1.1.bias torch.Size([32])
conv_block2.0.weight torch.Size([64, 32, 3, 3])
conv_block2.0.bias torch.Size([64])
conv_block2.1.weight torch.Size([64])
conv_block2.1.bias torch.Size([64])
conv_block3.0.weight torch.Size([128, 64, 3, 3])
conv_block3.0.bias torch.Size([128])
conv_block3.1.weight torch.Size([128])
conv_block3.1.bias torch.Size([128])
linear1.weight torch.Size([128, 2048])
linear1.bias torch.Size([128])
batch_norm.weight torch.Size([128])
batch_norm.bias torch.Size([128])
linear2.weight torch.Size([10, 128])
linear2.bias torch.Size([10])
5. 모델 설정 (손실함수, 옵티마이저 선택)
# Note. CrossEntropyLoss 관련
# https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html?highlight=crossentropyloss#torch.nn.CrossEntropyLoss
# Note that this case is equivalent to the combination of LogSoftmax and NLLLoss.
# CrossEntropy를 손실함수로 사용하게 되면 forward() 계산시에 softmax() 함수를 사용하면 안됨(otherwise 중복)
# softmax 를 사용하면 부동 소수점 부정확성으로 인해 정확도가 떨어지고 불안정해질 수 있음
# forward()의 마지막 출력은 확률값이 아닌 score(logit)이어야 함
learning_rate = 0.001
# 손실함수
loss_fn = nn.CrossEntropyLoss()
# 옵티마이저(최적화함수, 예:경사하강법)
# optimizer = optim.SGD(model.parameters(), lr=learning_rate)
# 규제의 강도 설정 weight_decay
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# optimizer = optim.Adam(model.parameters(), lr=learning_rate, weight_decay=0.001)
# Learning Rate Schedule
# https://pytorch.org/docs/stable/generated/torch.optim.lr_scheduler.ReduceLROnPlateau.html
# 모니터링하고 있는 값(예:valid_loss)의 최소값(min) 또는 최대값(max) patience 기간동안 줄어들지 않을 때(OnPlateau) lr에 factor(0.1)를 곱해주는 전략
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=4, verbose=True)
from torchsummary import summary
# summary(모델, (채널, 인풋사이즈))
summary(model, (3, 32, 32))
----------------------------------------------------------------
Layer (type) Output Shape Param #
================================================================
Conv2d-1 [-1, 32, 32, 32] 896
BatchNorm2d-2 [-1, 32, 32, 32] 64
ReLU-3 [-1, 32, 32, 32] 0
MaxPool2d-4 [-1, 32, 16, 16] 0
Conv2d-5 [-1, 64, 16, 16] 18,496
BatchNorm2d-6 [-1, 64, 16, 16] 128
Dropout-7 [-1, 64, 16, 16] 0
ReLU-8 [-1, 64, 16, 16] 0
MaxPool2d-9 [-1, 64, 8, 8] 0
Conv2d-10 [-1, 128, 8, 8] 73,856
BatchNorm2d-11 [-1, 128, 8, 8] 256
Dropout-12 [-1, 128, 8, 8] 0
ReLU-13 [-1, 128, 8, 8] 0
MaxPool2d-14 [-1, 128, 4, 4] 0
Linear-15 [-1, 128] 262,272
BatchNorm1d-16 [-1, 128] 256
Linear-17 [-1, 10] 1,290
================================================================
Total params: 357,514
Trainable params: 357,514
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.01
Forward/backward pass size (MB): 1.61
Params size (MB): 1.36
Estimated Total Size (MB): 2.99
----------------------------------------------------------------
# 첫번째 conv layer의 모델 파라미터 수
# 필터수 x (필터) + bias
32 * (3*3*3) + 32
896
# 마지막 출력 feature map의 사이즈
128 * 4 * 4
2048
# linear 1 layer
2048 * 128 + 128
262272
# linear 2 layer
128 * 10 + 10
1290
6. 모델 훈련
# torch.no_grad()
# https://pytorch.org/docs/stable/generated/torch.no_grad.html
# Context-manager that disabled gradient calculation.
# Disabling gradient calculation is useful for inference, when you are sure that you will not call Tensor.backward().
# It will reduce memory consumption for computations that would otherwise have requires_grad=True.
def validate(model, validloader, loss_fn):
total = 0
correct = 0
valid_loss = 0
valid_accuracy = 0
# 전방향 예측을 구할 때는 gradient가 필요가 없음음
with torch.no_grad():
for images, labels in validloader: # 이터레이터로부터 next()가 호출되며 미니배치 100개씩을 반환(images, labels)
# images, labels : (torch.Size([16, 3, 32, 32]), torch.Size([16]))
# 0. Data를 GPU로 보내기
images, labels = images.to(device), labels.to(device)
# 1. 입력 데이터 준비
# not Flatten !!
# images.resize_(images.size()[0], 784)
# 2. 전방향(Forward) 예측
logit = model(images) # 예측 점수
_, preds = torch.max(logit, 1) # 배치에 대한 최종 예측
# preds = logit.max(dim=1)[1]
correct += int((preds == labels).sum()) # 배치 중 맞은 것의 개수가 correct에 누적
total += labels.shape[0] # 배치 사이즈만큼씩 total에 누적
loss = loss_fn(logit, labels)
valid_loss += loss.item() # tensor에서 값을 꺼내와서, 배치의 loss 평균값을 valid_loss에 누적
valid_accuracy = correct / total
return valid_loss, valid_accuracy
# 파이토치에서 텐서보드 사용하기
# https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html
writer = SummaryWriter()
def train_loop(model, trainloader, loss_fn, epochs, optimizer):
steps = 0
steps_per_epoch = len(trainloader)
min_loss = 1000000
max_accuracy = 0
trigger = 0
patience = 7
for epoch in range(epochs):
model.train() # 훈련 모드
train_loss = 0
for images, labels in trainloader: # 이터레이터로부터 next()가 호출되며 미니배치를 반환(images, labels)
steps += 1
# images, labels : (torch.Size([16, 3, 32, 32]), torch.Size([16]))
# 0. Data를 GPU로 보내기
images, labels = images.to(device), labels.to(device)
# 1. 입력 데이터 준비
# not Flatten !!
# images.resize_(images.shape[0], 784)
# 2. 전방향(forward) 예측
predict = model(images) # 예측 점수
loss = loss_fn(predict, labels) # 예측 점수와 정답을 CrossEntropyLoss에 넣어 Loss값 반환
# 3. 역방향(backward) 오차(Gradient) 전파
optimizer.zero_grad() # Gradient가 누적되지 않게 하기 위해
loss.backward() # 모델파리미터들의 Gradient 전파
# 4. 경사 하강법으로 모델 파라미터 업데이트
optimizer.step() # W <- W -lr*Gradient
train_loss += loss.item()
if (steps % steps_per_epoch) == 0 :
model.eval() # 평가 모드 : 평가에서 사용하지 않을 계층(배치 정규화, 드롭아웃)들을 수행하지 않게 하기 위해서
valid_loss, valid_accuracy = validate(model, validloader, loss_fn)
# tensorboard 시각화를 위한 로그 이벤트 등록
writer.add_scalar('Train Loss', train_loss/len(trainloader), epoch+1)
writer.add_scalar('Valid Loss', valid_loss/len(validloader), epoch+1)
writer.add_scalars('Train Loss and Valid Loss',
{'Train' : train_loss/len(trainloader),
'Valid' : valid_loss/len(validloader)}, epoch+1)
writer.add_scalar('Valid Accuracy', valid_accuracy, epoch+1)
# -------------------------------------------
print('Epoch : {}/{}.......'.format(epoch+1, epochs),
'Train Loss : {:.3f}'.format(train_loss/len(trainloader)),
'Valid Loss : {:.3f}'.format(valid_loss/len(validloader)),
'Valid Accuracy : {:.3f}'.format(valid_accuracy)
)
# Best model 저장
# option 1 : valid_loss 모니터링
# if valid_loss < min_loss: # 바로 이전 epoch의 loss보다 작으면 저장하기
# min_loss = valid_loss
# best_model_state = deepcopy(model.state_dict())
# torch.save(best_model_state, 'best_checkpoint.pth')
# option 2 : valid_accuracy 모니터링
if valid_accuracy > max_accuracy : # 바로 이전 epoch의 accuracy보다 크면 저장하기
max_accuracy = valid_accuracy
best_model_state = deepcopy(model.state_dict())
torch.save(best_model_state, 'best_checkpoint.pth')
# -------------------------------------------
# Early Stopping (조기 종료)
if valid_loss > min_loss: # valid_loss가 min_loss를 갱신하지 못하면
trigger += 1
print('trigger : ', trigger)
if trigger > patience:
print('Early Stopping !!!')
print('Training loop is finished !!')
writer.flush()
return
else:
trigger = 0
min_loss = valid_loss
# -------------------------------------------
# Learning Rate Scheduler
scheduler.step(valid_loss)
# -------------------------------------------
writer.flush()
return
epochs = 50
train_loop(model, trainloader, loss_fn, epochs, optimizer)
writer.close()
Epoch : 1/50....... Train Loss : 1.392 Valid Loss : 1.412 Valid Accuracy : 0.483
Epoch : 2/50....... Train Loss : 1.090 Valid Loss : 1.187 Valid Accuracy : 0.592
Epoch : 3/50....... Train Loss : 0.985 Valid Loss : 1.153 Valid Accuracy : 0.597
Epoch : 4/50....... Train Loss : 0.906 Valid Loss : 0.957 Valid Accuracy : 0.669
Epoch : 5/50....... Train Loss : 0.855 Valid Loss : 0.955 Valid Accuracy : 0.665
Epoch : 6/50....... Train Loss : 0.813 Valid Loss : 0.893 Valid Accuracy : 0.697
Epoch : 7/50....... Train Loss : 0.769 Valid Loss : 0.955 Valid Accuracy : 0.667
trigger : 1
Epoch : 8/50....... Train Loss : 0.738 Valid Loss : 0.901 Valid Accuracy : 0.688
trigger : 2
Epoch : 9/50....... Train Loss : 0.709 Valid Loss : 0.943 Valid Accuracy : 0.678
trigger : 3
Epoch : 10/50....... Train Loss : 0.681 Valid Loss : 0.805 Valid Accuracy : 0.725
Epoch : 11/50....... Train Loss : 0.666 Valid Loss : 0.749 Valid Accuracy : 0.747
Epoch : 12/50....... Train Loss : 0.645 Valid Loss : 0.813 Valid Accuracy : 0.723
trigger : 1
Epoch : 13/50....... Train Loss : 0.625 Valid Loss : 0.729 Valid Accuracy : 0.752
Epoch : 14/50....... Train Loss : 0.617 Valid Loss : 0.734 Valid Accuracy : 0.754
trigger : 1
Epoch : 15/50....... Train Loss : 0.600 Valid Loss : 0.804 Valid Accuracy : 0.720
trigger : 2
Epoch : 16/50....... Train Loss : 0.587 Valid Loss : 0.706 Valid Accuracy : 0.766
Epoch : 17/50....... Train Loss : 0.567 Valid Loss : 0.880 Valid Accuracy : 0.704
trigger : 1
Epoch : 18/50....... Train Loss : 0.568 Valid Loss : 0.682 Valid Accuracy : 0.771
Epoch : 19/50....... Train Loss : 0.555 Valid Loss : 0.760 Valid Accuracy : 0.741
trigger : 1
Epoch : 20/50....... Train Loss : 0.537 Valid Loss : 0.696 Valid Accuracy : 0.770
trigger : 2
Epoch : 21/50....... Train Loss : 0.527 Valid Loss : 0.691 Valid Accuracy : 0.769
trigger : 3
Epoch : 22/50....... Train Loss : 0.523 Valid Loss : 0.667 Valid Accuracy : 0.779
Epoch : 23/50....... Train Loss : 0.509 Valid Loss : 0.707 Valid Accuracy : 0.759
trigger : 1
Epoch : 24/50....... Train Loss : 0.512 Valid Loss : 0.715 Valid Accuracy : 0.766
trigger : 2
Epoch : 25/50....... Train Loss : 0.494 Valid Loss : 0.647 Valid Accuracy : 0.786
Epoch : 26/50....... Train Loss : 0.495 Valid Loss : 0.672 Valid Accuracy : 0.776
trigger : 1
Epoch : 27/50....... Train Loss : 0.484 Valid Loss : 0.652 Valid Accuracy : 0.779
trigger : 2
Epoch : 28/50....... Train Loss : 0.485 Valid Loss : 0.713 Valid Accuracy : 0.765
trigger : 3
Epoch : 29/50....... Train Loss : 0.469 Valid Loss : 0.671 Valid Accuracy : 0.771
trigger : 4
Epoch : 30/50....... Train Loss : 0.469 Valid Loss : 0.653 Valid Accuracy : 0.784
trigger : 5
Epoch 00030: reducing learning rate of group 0 to 1.0000e-04.
Epoch : 31/50....... Train Loss : 0.412 Valid Loss : 0.612 Valid Accuracy : 0.795
Epoch : 32/50....... Train Loss : 0.401 Valid Loss : 0.619 Valid Accuracy : 0.793
trigger : 1
Epoch : 33/50....... Train Loss : 0.384 Valid Loss : 0.601 Valid Accuracy : 0.801
Epoch : 34/50....... Train Loss : 0.381 Valid Loss : 0.614 Valid Accuracy : 0.794
trigger : 1
Epoch : 35/50....... Train Loss : 0.372 Valid Loss : 0.593 Valid Accuracy : 0.803
Epoch : 36/50....... Train Loss : 0.368 Valid Loss : 0.601 Valid Accuracy : 0.797
trigger : 1
Epoch : 37/50....... Train Loss : 0.365 Valid Loss : 0.596 Valid Accuracy : 0.800
trigger : 2
Epoch : 38/50....... Train Loss : 0.361 Valid Loss : 0.586 Valid Accuracy : 0.807
Epoch : 39/50....... Train Loss : 0.358 Valid Loss : 0.580 Valid Accuracy : 0.811
Epoch : 40/50....... Train Loss : 0.357 Valid Loss : 0.588 Valid Accuracy : 0.802
trigger : 1
Epoch : 41/50....... Train Loss : 0.356 Valid Loss : 0.591 Valid Accuracy : 0.802
trigger : 2
Epoch : 42/50....... Train Loss : 0.350 Valid Loss : 0.587 Valid Accuracy : 0.805
trigger : 3
Epoch : 43/50....... Train Loss : 0.350 Valid Loss : 0.589 Valid Accuracy : 0.807
trigger : 4
Epoch : 44/50....... Train Loss : 0.349 Valid Loss : 0.621 Valid Accuracy : 0.789
trigger : 5
Epoch 00044: reducing learning rate of group 0 to 1.0000e-05.
Epoch : 45/50....... Train Loss : 0.344 Valid Loss : 0.592 Valid Accuracy : 0.805
trigger : 6
Epoch : 46/50....... Train Loss : 0.340 Valid Loss : 0.589 Valid Accuracy : 0.801
trigger : 7
Epoch : 47/50....... Train Loss : 0.341 Valid Loss : 0.583 Valid Accuracy : 0.807
trigger : 8
Early Stopping !!!
Training loop is finished !!
%load_ext tensorboard
%tensorboard --logdir=runs
Output hidden; open in https://colab.research.google.com to view.
7. 모델 예측
# testloader에서 미니 배치 가져오기
test_iter = iter(testloader)
images, labels = next(test_iter)
images, labels = images.to(device), labels.to(device)
print(images.size(), labels.size())
# random한 index로 이미지 한장 준비하기
rnd_idx = 10
print(images[rnd_idx].shape, labels[rnd_idx])
torch.Size([16, 3, 32, 32]) torch.Size([16])
torch.Size([3, 32, 32]) tensor(0, device='cuda:0')
images[rnd_idx].shape
torch.Size([3, 32, 32])
# not Flatten!
# flattend_img = images[rnd_idx].view(1, 784)
# 준비된 이미지로 예측하기
model.eval()
with torch.no_grad():
logit = model(images[rnd_idx].unsqueeze(0)) # model.forward()에서는 배치가 적용된 4차원 입력 기대
pred = logit.max(dim=1)[1]
print(pred == labels[rnd_idx]) # True : 잘 예측
tensor([False], device='cuda:0')
print("pred:", pred, "labels:", labels[rnd_idx])
print(labels_map[pred.cpu().item()], labels_map[labels[rnd_idx].cpu().item()])
plt.imshow(images[rnd_idx].permute(1, 2, 0).cpu())
pred: tensor([5], device='cuda:0') labels: tensor(0, device='cuda:0')
dog airplane
<matplotlib.image.AxesImage at 0x7f6fae2e0490>
 Dataset)/output_60_2.png)
8. 모델 평가
def evaluation(model, testloader, loss_fn):
total = 0
correct = 0
test_loss = 0
test_accuracy = 0
# 전방향 예측을 구할 때는 gradient가 필요가 없음음
with torch.no_grad():
for images, labels in testloader: # 이터레이터로부터 next()가 호출되며 미니배치 100개씩을 반환(images, labels)
# 0. Data를 GPU로 보내기
images, labels = images.to(device), labels.to(device)
# 1. 입력 데이터 준비
# not Flatten
# images.resize_(images.size()[0], 784)
# 2. 전방향(Forward) 예측
logit = model(images) # 예측 점수
_, preds = torch.max(logit, 1) # 배치에 대한 최종 예측
# preds = logit.max(dim=1)[1]
correct += int((preds == labels).sum()) # 배치치 중 맞은 것의 개수가 correct에 누적
total += labels.shape[0] # 배치 사이즈만큼씩 total에 누적
loss = loss_fn(logit, labels)
test_loss += loss.item() # tensor에서 값을 꺼내와서, 배치의 loss 평균값을 valid_loss에 누적
test_accuracy = correct / total
print('Test Loss : {:.3f}'.format(test_loss/len(testloader)),
'Test Accuracy : {:.3f}'.format(test_accuracy))
model.eval()
evaluation(model, testloader, loss_fn)
Test Loss : 0.590 Test Accuracy : 0.806
9. 모델 저장
# 모델을 저장하는 이유
# 1. 예측을 할 때마다 훈련시키는것은 비효율적
# 2. 기존 훈련 결과에 이어서 학습을 하고자 할 때
# 파이토치에서 모델 저장하기
# https://pytorch.org/tutorials/beginner/saving_loading_models.html
# 현재 모델에 저장되어 있는 모델 파라미터터
model.state_dict().keys()
odict_keys(['conv_block1.0.weight', 'conv_block1.0.bias', 'conv_block1.1.weight', 'conv_block1.1.bias', 'conv_block1.1.running_mean', 'conv_block1.1.running_var', 'conv_block1.1.num_batches_tracked', 'conv_block2.0.weight', 'conv_block2.0.bias', 'conv_block2.1.weight', 'conv_block2.1.bias', 'conv_block2.1.running_mean', 'conv_block2.1.running_var', 'conv_block2.1.num_batches_tracked', 'conv_block3.0.weight', 'conv_block3.0.bias', 'conv_block3.1.weight', 'conv_block3.1.bias', 'conv_block3.1.running_mean', 'conv_block3.1.running_var', 'conv_block3.1.num_batches_tracked', 'linear1.weight', 'linear1.bias', 'batch_norm.weight', 'batch_norm.bias', 'batch_norm.running_mean', 'batch_norm.running_var', 'batch_norm.num_batches_tracked', 'linear2.weight', 'linear2.bias'])
torch.save(model.state_dict(), 'last_checkpoint.pth')
# 시간이 흐른뒤 다시 모델 가져오기
last_state_dict = torch.load('last_checkpoint.pth')
last_state_dict.keys()
odict_keys(['conv_block1.0.weight', 'conv_block1.0.bias', 'conv_block1.1.weight', 'conv_block1.1.bias', 'conv_block1.1.running_mean', 'conv_block1.1.running_var', 'conv_block1.1.num_batches_tracked', 'conv_block2.0.weight', 'conv_block2.0.bias', 'conv_block2.1.weight', 'conv_block2.1.bias', 'conv_block2.1.running_mean', 'conv_block2.1.running_var', 'conv_block2.1.num_batches_tracked', 'conv_block3.0.weight', 'conv_block3.0.bias', 'conv_block3.1.weight', 'conv_block3.1.bias', 'conv_block3.1.running_mean', 'conv_block3.1.running_var', 'conv_block3.1.num_batches_tracked', 'linear1.weight', 'linear1.bias', 'batch_norm.weight', 'batch_norm.bias', 'batch_norm.running_mean', 'batch_norm.running_var', 'batch_norm.num_batches_tracked', 'linear2.weight', 'linear2.bias'])
# 읽어들인 모델 파라미터는 모델 아키텍처에 연결을 시켜줘야 함
# load_state_dict() 사용
last_model = CIFAR10_CNN()
last_model.to(device)
last_model.load_state_dict(last_state_dict)
<All keys matched successfully>
last_model.eval()
evaluation(last_model, testloader, loss_fn)
Test Loss : 0.594 Test Accuracy : 0.803
# valid loss or accuracy 기준 best model
best_state_dict = torch.load('best_checkpoint.pth')
best_model = CIFAR10_CNN()
best_model.to(device)
best_model.load_state_dict(best_state_dict)
<All keys matched successfully>
best_model.eval()
evaluation(best_model, testloader, loss_fn)
Test Loss : 0.593 Test Accuracy : 0.804
# best_state_dict['conv_block1.0.weight']
# last_state_dict['conv_block1.0.weight']
댓글남기기