动手学pytorch-迁移学习

迁移学习

1.基本概念

2.Fine-tuning

3.Fixed

1.基本概念

假设我们想从图像中识别出不同种类的椅子，然后将购买链接推荐给用户。一种可能的方法是先找出100种常见的椅子，为每种椅子拍摄1,000张不同角度的图像，然后在收集到的图像数据集上训练一个分类模型。这个椅子数据集虽然可能比Fashion-MNIST数据集要庞大，但样本数仍然不及ImageNet数据集中样本数的十分之一。这可能会导致适用于ImageNet数据集的复杂模型在这个椅子数据集上过拟合。同时，因为数据量有限，最终训练得到的模型的精度也可能达不到实用的要求。

为了应对上述问题，一个显而易见的解决办法是收集更多的数据。然而，收集和标注数据会花费大量的时间和资金。例如，为了收集ImageNet数据集，研究人员花费了数百万美元的研究经费。虽然目前的数据采集成本已降低了不少，但其成本仍然不可忽略。

另外一种解决办法是应用迁移学习（transfer learning），将从源数据集学到的知识迁移到目标数据集上。例如，虽然ImageNet数据集的图像大多跟椅子无关，但在该数据集上训练的模型可以抽取较通用的图像特征，从而能够帮助识别边缘、纹理、形状和物体组成等。这些类似的特征对于识别椅子也可能同样有效。

2.Fine-tuning

• 第一步：在新数据集上，替换预训练ConvNet顶层的分类器并retrain该分类器；
• 第二步：以较小的学习率继续反向传播来微调预训练网络的权重;
• 两种做法：微调ConvNet的所有层，或者保持some earlier layers fixed (due to overfitting concerns) ，只微调some higher-level portion of the network；

from torchvision import models
pretrained_net = models.resnet18(pretrained=True)

# 打印最后两层网络
print([*pretrained_net.named_children()][-2:])
# [('avgpool', AdaptiveAvgPool2d(output_size=(1, 1))), 
#  ('fc', Linear(in_features=512, out_features=1000, bias=True))]

# 改变全连接层
pretrained_net.fc = nn.Linear(512, 2)
print(pretrained_net.fc)
# Linear(in_features=512, out_features=2, bias=True)

此时，pretrained_net的fc层就被随机初始化了，但是其他层依然保存着预训练得到的参数。由于是在很大的ImageNet数据集上预训练的，所以参数已经足够好，因此一般只需使用较小的学习率来微调这些参数，而fc中的随机初始化参数一般需要更大的学习率从头训练。PyTorch可以方便的对模型的不同部分设置不同的学习参数，在下面代码中将fc的学习率设为已经预训练过的部分的10倍。

output_params = list(map(id, pretrained_net.fc.parameters()))
feature_params = filter(lambda p: id(p) not in output_params, pretrained_net.parameters())

lr = 0.01
optimizer = optim.SGD([{'params': feature_params},
                       {'params': pretrained_net.fc.parameters(), 'lr': lr * 10}],
                       lr=lr, weight_decay=0.001)

3.Fixed

利用在大数据集(如ImageNet)上预训练过的ConvNet(如AlexNet，VGGNet)，移除最后几层（一般是最后分类器），将剩下的ConvNet作为应用于新数据集的固定不变的特征提取器，输出特征称为CNN codes，提取出所有CNN codes之后，再基于新数据集训练一个线性分类器。

# 将模型参数设置为不进行梯度更新
for name, layer in pretrained_net.named_children():
    requires_grad = False
    if name == 'fc':
        requires_grad = True
    for param in layer.parameters():
            param.requires_grad = requires_grad
            
# 查看设置结果
for name, layer in pretrained_net.named_children():
    for param in layer.parameters():
        print(f'{name}	requires grad = {param.requires_grad}' )
        break
#conv1	requires grad = False
#bn1	requires grad = False
#layer1	requires grad = False
#layer2	requires grad = False
#layer3	requires grad = False
#layer4	requires grad = False
#fc	requires grad = True

lr = 0.01
optimizer = optim.SGD(pretrained_net.fc.parameters(), lr=lr, weight_decay=0.001)