ResNet-50模型图像分类示例

概述

计算机视觉是当前深度学习研究最广泛、落地最成熟的技术领域，在手机拍照、智能安防、自动驾驶等场景有广泛应用。从2012年AlexNet在ImageNet比赛夺冠以来，深度学习深刻推动了计算机视觉领域的发展，当前最先进的计算机视觉算法几乎都是深度学习相关的。深度神经网络可以逐层提取图像特征，并保持局部不变性，被广泛应用于分类、检测、分割、检索、识别、提升、重建等视觉任务中。

本文结合图像分类任务，介绍MindSpore如何应用于计算机视觉场景。

图像分类

图像分类是最基础的计算机视觉应用，属于有监督学习类别。给定一张数字图像，判断图像所属的类别，如猫、狗、飞机、汽车等等。用函数来表示这个过程如下：

def classify(image):

   label = model(image)

   return label

选择合适的model是关键。这里的model一般指的是深度卷积神经网络，如AlexNet、VGG、GoogLeNet、ResNet等等。

MindSpore实现了典型的卷积神经网络，开发者可以参考model_zoo。

MindSpore当前支持的图像分类网络包括：典型网络LeNet、AlexNet、ResNet。

任务描述及准备

 

图1：CIFAR-10数据集[1]

如图1所示，CIFAR-10数据集共包含10类、共60000张图片。其中，每类图片6000张，50000张是训练集，10000张是测试集。每张图片大小为32*32。

图像分类的训练指标通常是精度（Accuracy），即正确预测的样本数占总预测样本数的比值。

接下来介绍利用MindSpore解决图片分类任务，整体流程如下：

1. 下载CIFAR-10数据集
2. 数据加载和预处理
3. 定义卷积神经网络，本例采用ResNet-50网络
4. 定义损失函数和优化器
5. 调用Model高阶API进行训练和保存模型文件
6. 加载保存的模型进行推理

本例面向Ascend 910 AI处理器硬件平台，你可以在这里下载完整的样例代码：https://gitee.com/mindspore/docs/tree/r1.1/tutorials/tutorial_code/resnet

下面对任务流程中各个环节及代码关键片段进行解释说明。

下载CIFAR-10数据集

先从CIFAR-10数据集官网上下载CIFAR-10数据集。本例中采用binary格式的数据，Linux环境可以通过下面的命令下载：

wget https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

接下来需要解压数据集，解压命令如下：

tar -zvxf cifar-10-binary.tar.gz

数据预加载和预处理

1. 加载数据集

数据加载可以通过内置数据集格式Cifar10Dataset接口完成。

Cifar10Dataset，读取类型为随机读取，内置CIFAR-10数据集，包含图像和标签，图像格式默认为uint8，标签数据格式默认为uint32。更多说明请查看API中Cifar10Dataset接口说明。

数据加载代码如下，其中data_home为数据存储位置：

cifar_ds = ds.Cifar10Dataset(data_home)

1. 数据增强

数据增强主要是对数据进行归一化和丰富数据样本数量。常见的数据增强方式包括裁剪、翻转、色彩变化等等。MindSpore通过调用map方法在图片上执行增强操作：

resize_height = 224

resize_width = 224

rescale = 1.0 / 255.0

shift = 0.0

# define map operations

random_crop_op = C.RandomCrop((32, 32), (4, 4, 4, 4)) # padding_mode default CONSTANT

random_horizontal_op = C.RandomHorizontalFlip()

resize_op = C.Resize((resize_height, resize_width)) # interpolation default BILINEAR

rescale_op = C.Rescale(rescale, shift)

normalize_op = C.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))

changeswap_op = C.HWC2CHW()

type_cast_op = C2.TypeCast(mstype.int32)

c_trans = []

if training:

    c_trans = [random_crop_op, random_horizontal_op]

c_trans += [resize_op, rescale_op, normalize_op, changeswap_op]

# apply map operations on images

cifar_ds = cifar_ds.map(operations=type_cast_op, input_columns="label")

cifar_ds = cifar_ds.map(operations=c_trans, input_columns="image")

1. 数据混洗和批处理

最后通过数据混洗（shuffle）随机打乱数据的顺序，并按batch读取数据，进行模型训练：

# apply shuffle operations

cifar_ds = cifar_ds.shuffle(buffer_size=10)

# apply batch operations

cifar_ds = cifar_ds.batch(batch_size=args_opt.batch_size, drop_remainder=True)

# apply repeat operations

cifar_ds = cifar_ds.repeat(repeat_num)

定义卷积神经网络

卷积神经网络已经是图像分类任务的标准算法了。卷积神经网络采用分层的结构对图片进行特征提取，由一系列的网络层堆叠而成，比如卷积层、池化层、激活层等等。

ResNet通常是较好的选择。首先，它足够深，常见的有34层，50层，101层。通常层次越深，表征能力越强，分类准确率越高。其次，可学习，采用了残差结构，通过shortcut连接把低层直接跟高层相连，解决了反向传播过程中因为网络太深造成的梯度消失问题。此外，ResNet网络的性能很好，既表现为识别的准确率，也包括它本身模型的大小和参数量。

MindSpore Model Zoo中已经实现了ResNet模型，可以采用ResNet-50。调用方法如下：

network = resnet50(class_num=10)

定义损失函数和优化器

接下来需要定义损失函数（Loss）和优化器（Optimizer）。损失函数是深度学习的训练目标，也叫目标函数，可以理解为神经网络的输出（Logits）和标签(Labels)之间的距离，是一个标量数据。

常见的损失函数包括均方误差、L2损失、Hinge损失、交叉熵等等。图像分类应用通常采用交叉熵损失（CrossEntropy）。

优化器用于神经网络求解（训练）。由于神经网络参数规模庞大，无法直接求解，因而深度学习中采用随机梯度下降算法（SGD）及其改进算法进行求解。MindSpore封装了常见的优化器，如SGD、ADAM、Momemtum等等。本例采用Momentum优化器，通常需要设定两个参数，动量（moment）和权重衰减项（weight decay）。

MindSpore中定义损失函数和优化器的代码样例如下：

# loss function definition

ls = SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")

# optimization definition

opt = Momentum(filter(lambda x: x.requires_grad, net.get_parameters()), 0.01, 0.9)

调用Model高阶API进行训练和保存模型文件

完成数据预处理、网络定义、损失函数和优化器定义之后，就可以进行模型训练了。模型训练包含两层迭代，数据集的多轮迭代（epoch）和一轮数据集内按分组（batch）大小进行的单步迭代。其中，单步迭代指的是按分组从数据集中抽取数据，输入到网络中计算得到损失函数，然后通过优化器计算和更新训练参数的梯度。

为了简化训练过程，MindSpore封装了Model高阶接口。用户输入网络、损失函数和优化器完成Model的初始化，然后调用train接口进行训练，train接口参数包括迭代次数（epoch）和数据集（dataset）。

模型保存是对训练参数进行持久化的过程。Model类中通过回调函数（callback）的方式进行模型保存，如下面代码所示。用户通过CheckpointConfig设置回调函数的参数，其中，save_checkpoint_steps指每经过固定的单步迭代次数保存一次模型，keep_checkpoint_max指最多保存的模型个数。

'''

network, loss, optimizer are defined before.

batch_num, epoch_size are training parameters.

'''

model = Model(net, loss_fn=ls, optimizer=opt, metrics={'acc'})

# CheckPoint CallBack definition

config_ck = CheckpointConfig(save_checkpoint_steps=batch_num, keep_checkpoint_max=35)

ckpoint_cb = ModelCheckpoint(prefix="train_resnet_cifar10", directory="./", config=config_ck)

# LossMonitor is used to print loss value on screen

loss_cb = LossMonitor()

model.train(epoch_size, dataset, callbacks=[ckpoint_cb, loss_cb])

加载保存的模型，并进行验证

训练得到的模型文件（如resnet.ckpt）可以用来预测新图像的类别。首先通过load_checkpoint加载模型文件。然后调用Model的eval接口预测新图像类别。

param_dict = load_checkpoint(args_opt.checkpoint_path)

load_param_into_net(net, param_dict)

eval_dataset = create_dataset(training=False)

res = model.eval(eval_dataset)

print("result: ", res)

参考文献

[1] https://www.cs.toronto.edu/~kriz/cifar.html