Pytorch Tutorial (1)
Training a Classifier
Data
→ image, text, audio, video data를 주로 다루게 되면, 표준 Python 패키지를 사용하여 불러온 후 NumPy 배열로 변환하고, 이를 torch.*Tensor로 변환하면 됨
- 데이터 별 패키지
- 이미지: Pillow, OpenCV
- 오디오: SciPy, LibROSA
- 텍스트: NLTK, SpaCy
- 영상: torchvision
CIFAR10 dataset을 이용해 실습
-
CIFAR10의 train/test용 dataset을 torchvision으로 불러오고 normalizing
-
CNN 정의
-
loss function 정의
-
training data를 이용해 신경망 학습
-
test data를 이용해 신경망 검사
아래 부터는 실습 진행한 코드와 각 셀 별 실행 화면
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
batch_size = 4
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
import matplotlib.pyplot as plt
import numpy as np
#이미지 보여주는 함수
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
#train dataset을 무작위로 가져오기
dataiter = iter(trainloader)
images, labels = dataiter.next()
#image 보여주기
imshow(torchvision.utils.make_grid(images))
#label 출력
print(' '.join('%5s' % classes[labels[j]] for j in range(batch_size)))
#CNN 정의
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = torch.flatten(x, 1) # flatten all dimensions except batch
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
#loss function, optimizer 정의
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
#train NN --> data를 반복해서 input으로 넣고 optimize함
for epoch in range(2):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
#input 받음
inputs, labels = data
#param gradient 0으로
optimizer.zero_grad()
# forward, backward, optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: #2000 minibatch마다 출력
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
#trained model 저장
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
#test data로 test network
dataiter = iter(testloader)
images, labels = dataiter.next()
#image 출력
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
#학습된 NN 보기
outputs = net(images)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
해당 결과를 보면 알 수 있듯, 학습된 모델은 대체로 괜찮은 성능을 보이고 있다.
#전체 데이터셋에 대한 결과 보기
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
#각 class 별 정확도 확인하기
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predictions = torch.max(outputs, 1)
# collect the correct predictions for each class
for label, prediction in zip(labels, predictions):
if label == prediction:
correct_pred[classes[label]] += 1
total_pred[classes[label]] += 1
for classname, correct_count in correct_pred.items():
accuracy = 100 * float(correct_count) / total_pred[classname]
print("Accuracy for class {:5s} is: {:.1f} %".format(classname,
accuracy))
위의 결과를 보았을 때, 해당 model이 일부 class에서 높은 정확도를 보이는 것을 알 수 있다.
아래는 neural network를 GPU로 옮기는 방법에 대한 설명이다.
우선 디바이스가 CUDA 를 사용할 수 있어야 한다.
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
이제부터, 디바이스가 CUDA 디바이스라 가정하고 GPU에 옮기면 된다.
net.to(device)
#CUDA tensor로 변환
inputs, labels = data[0].to(device), data[1].to(device)
#이때, input과 label도 GPU로
실제로 CPU와 GPU의 처리 속도가 크지 않은데, 이는 neural network가 작기 때문이다.