1. 框架介绍
Easy-Classification是一个应用于分类任务的深度学习框架,它集成了众多成熟的分类神经网络模型,可帮助使用者简单快速的构建分类训练任务。 框架源代码:https://github.com/wuya11/easy-classification
1.1 框架功能
- 其它自定义形式,在项目应用中,参考案例编写DataSet自定义加载。如基于配置文件,csv,路径解析等。
1.1.2 扩展网络
本框架扩展支持如下网络模型,可在classification_model_enum.py枚举类中查看具体的model。
- Resnet系列,Densenet系列,VGGnet系列等所有[pretrained-models.pytorch](https://github.com/Cadene/pretrained-models.pytorch)支持的网络
- [Mobilenetv2](https://pytorch.org/docs/stable/torchvision/models.html?highlight=mobilenet)
- [Mbilenetv3](https://github.com/kuan-wang/pytorch-mobilenet-v3)
- ShuffleNetV2,[MicroNet](https://github.com/liyunsheng13/micronet)
- [EfficientNet](https://github.com/lukemelas/EfficientNet-PyTorch)
- [Swin Transformer](https://github.com/microsoft/Swin-Transformer)
- [ConvNeXt](https://github.com/facebookresearch/ConvNeXt)
1.1.3 优化器
- [Ranger](https://github.com/lessw2020/Ranger-Deep-Learning-Optimizer)
1.1.4 学习率衰减
1.1.5 损失函数
1.1.6 其他
1.2 框架设计
Easy-Classification是一个简单轻巧的分类框架,目前版本主要包括两大模块,框架通用模块和项目应用模块。为方便用户快速体验,框架中目前包括简单手写数字识别和验证码识别两个示例项目。
1.2.1 通用模块设计
Easy-Classification通用模块整体结构如下:
通用模块核心类/文件介绍说明:
目录 | 子项 | 功能说明 | 扩展说明 |
config | | 框架基础配置目录 | |
| weight | 预训练权重模型存储目录 | 各种神经网络的模型文件,下载后存储在该目录下 |
| classification_model_enum.py | 列举出当前分类框架,目前支持的分类神经网络模型。 枚举中的神经网络名称,与配置文件中的名称一样,表示加载对应的网络模型。 | 后续新增网络时,需在该枚举类中注入 |
project | | 分类框架下的项目应用模块,详细使用参考后续项目应用模块。 | 分类项目目录名称如:验证码识别,简单手写数字识别 |
universe | | 框架通用模块主目录。 | 后续通用的功能,均可放在该目录下。 |
| data_load | 基础数据加载类 | 加载训练数据,验证数据,预测数据等 |
| data_load_service.py | 基于配置文件,加载配置路径下的基础数据,返回对应的张量信息。 不同的分类任务,用户构建DataSet模式不同,该模块提供函数,接收用户构建的DataSet对象。做统一数据加载处理。 | 目前支持目录模式加载。 |
| normalize_adapter.py | 归一化配置类 | 其他新增网络的归一化参数,可配置在此类中。 |
| model | 定义目前框架中,支持的所有分类网络模型。 | 新增网络放入到model_category目录下。 |
| model_service.py | 分类网络模型的对外暴露类,基于配置文件,可指定具体使用哪个分类网络,项目应用时,只需调用moel_service。 moel_service.py:代理者的角色。类似于java中的代理模式。 | 新增的分类网络,要注入到moel_service.py中,对所有分类网络的统一拦截,加日志等功能可在model_service中实现。 |
runner_config | | 训练配置的目录,定义训练过程中的一些配置信息。 | 定义如优化器,学习率调整,损失函数等。 深度学习运行前,配置相关的模块均可放在该目录下。 |
| optimizer_adapter.py | 优化器适配类,根据配置文件,可返回一个具体的优化器。 | 常用优化器如:Adam,AdamW,SGD,AdaBelief,Ranger |
| loss_function_adapter.py | 自定义损失函数适配类,可基于配置文件,返回一个具体的损失函数。 | 损失函数也可使用 PyTorch中提供的。 |
| scheduler_adapter.py | 学习率调整适配类,可基于配置文件,返回具体的调整类。 | 扩展支持ReduceLROnPlateau,StepLR,MultiStepLR, SGDR |
utils | utils.py | 常用的工具函数,如加载文件,全连接处理等 | 一些项目通用的工具类函数,如保存acc,loss等记录。 |
配置文件是设置在具体应用项目的目录下,配置文件可根据项目需求自定义编写,但每个配置文件需包含如下关键key字段:
key字段 | 解释 | 参考值 |
model_name | 分类网络模型名称,如mobilenetv3,efficientnet_advprop,具体值参考ClassificationModelEnum枚举类中定义的值 | efficientnet_advprop |
GPU_ID | 多GPU时,设置的GPU编码,无GPU时,该值设置为空 | 0 |
class_number | 目标输出分类数量,如简单数字识别,输出值10 | 10 |
random_seed | 随机数种子 | 43 |
num_workers | DataLoad加载数据时,是否启用多个线程加载数据 | 4 |
train_path | 训练图像对应的存储目录地址 | "data/train" |
val_path | 验证图像对应的存储目录地址 | "data/val" |
test_path | 预测图像对应的存储目录地址 | "data/test" |
pretrained | 预加载模型权重的文件存储路径,无值时,设置为空‘’ | '../../out/mobilenetv3.pth' |
save_best_only | 训练时,是否只保存最优的模型 | true |
target_img_size | 图像转换为网络模型对应的目标图像尺寸,如mobilenet v3,接收图为:[224,224] | [224,224] |
learning_rate | 初始化学习率值 | 0.001 |
batch_size | 训练时,DataLoad一次加载数据的批次数量 | 64 |
test_batch_size | 预测时,DataLoad一次加载数据的批次数量 | 1 |
epochs | 训练总次数 | 100 |
optimizer | 优化器类型,枚举值:Ranger,AdaBelief,SGD,AdamW,Adam | SGD |
scheduler | 学习衰减率调整策略,枚举值:default,step,SGDR,multi | default |
loss | 损失函数,若使用pytorch提供的损失函数,可不管该值。使用框架提供的需配置。枚举值:CE,CE2,Focalloss | |
early_stop_patient | 提前结束,当后续训练轮次出现N次,acc小于历史值时,就提前结束 | 7 |
model_path | 模型预测时,训练生成的权重文件存储路径 | '../../out/mobilenetv3_e22_0.97.pth' |
dropout | 为了防止过拟合,设置值,表示随机多少比例的神经元失效,取值服务[0,1] | 0.5 |
class_weight | 训练数据类别分配不均匀,防止过拟合等情况出现,设置的惩罚值。默认值设置为None。 | 调用:n.CroEntropyLoss ,设置不同类别的惩罚值,三个类别,如[0.8,0.1,0.1]。 |
weight_decay | 在与梯度做运算时,当前权重先减去一定比例的大小。 | 0.01 |
1.2.2 项目应用模块设计
Easy-Classification项目应用模块整体结构如下:
项目应用模块核心类/文件介绍说明:
目录 | 子项 | 功能说明 | 扩展说明 |
mnist_caassify | | 分类项目主目录 | 表示一个具体的分类项目,本例为简单手写数字识别 |
| data | 该项目的训练数据,验证数据,推理数据等 | 与训练流程,推理流程等相关的数据,包括图片和label等配置信息。 |
| output | 项目的输出结果 | 训练过程中的acc,loss图,模型权重文件,预测结果等,全部输出到这个目录。 |
| scripts | 构建训练数据,验证数据等的脚本文件 | 基于脚本文件,生产对应的训练数据,验证数据到data目录下。主要功能如: 1.生产图片,生成label; 2.解析文件,并基于图像做一定的前期调整。清洗训练数据,提前加工部分数据。 |
| service | 分类任务,主要的项目应用模块,用户自定义代码存储目录。 | |
| xxx_config.py | 分类项目的配置文件,每一个分类项目都存在一个单独的配置文件。 | 常用的配置参数,如指定使用什么模型,图像大小调整等,具体参考案例的配置文件 |
| xxx_dataset.py | 分类项目的数据加载类 | 每个分类任务的数据加载模式不一定完全一样,该模块属于用户自定义模块。可做图像的预处理,最终将图像转换为张量信息。 |
| xxx_runner_service.py | 分类项目的运行类 | 包括配置运行参数,训练流程定义,预测流程处理等。 |
| train.py,prectict.py | 训练类,预测类 | 主要是加载配置文件,获取训练数据,加载网络模型,初始化训练过程的配置参数,调用训练函数开始训练。 |
1.3 框架使用
1.3.1 基础使用
用户在简单使用Easy-Classification分类框架时,只需编写项目应用模块的代码,参考给出的两个案例,结合项目自身情况,需做如下步骤处理:
- 在project 目录下,创建一个目录作为项目名称,目录名称命名为项目名称,如mnist_classsify。
- 在mnist_classsify目录下,创建一个data目录,用于存储训练,验证,推理等相关的基础数。
- scripts目录,根据实际情况,若项目提前准备好数据了,可不编写。若需要通过一定的脚本预处理训练数据,可在该目录下编写脚本处理。
- 在mnist_classsify目录下,创建一个service目录。
- 编写配置文件,xxx_config.py,配置文件的key值一定要和案例中的配置key名称一样(不然通用模块无法加载)。
- 编写DataSet自定义类,xxx_dataset.py,参考案例中的DataSet类,编写自定义Dataset类时,初始化参数需定义为source_img, cfg。否则数据加载通用模块,data_load_service.py模块会报错。(source_img :传入的图像地址信息集合。基于配置文件,加载文件的路径信息。 cfg:传入的配置类,是配置文件xxx_config.py。)
- 编写项目运行类,xxx_runner_service.py,参考案例中的项目运行类,注意输出张量信息处理,acc计算等根据实际情况调整。
- 编写train.py,prectict.py,参考案例中的代码,加载数据时,传入编写的xxx_dataset类,调用xxx_runner_service.py中提供的训练函数,预测函数即可。
1.3.2 扩展使用
目前框架的功能还比较基础,若发现框架中有不支持的网络模型,或其他的一些优化器,学习率调整等,均可通过调整源码的模式自定义扩展增强。源码中关键类的功能参考章节1.2.1中的介绍。如自定义一个网络模型可通过如下流程:
- 在model/model_category目录下,添加对应的网络模型如:test_model.py。
- 在config/classification_model_enum.py文件中,添加新增的网络模型。
- 在model_service.py中,注入新增的网络模型。
- 在配置文件中,配置使用的模型名称,如:test_model。
2. 框架案例介绍
- 简单手写数字识别-参考文章:https://www.cnblogs.com/wlandwl/p/deep_learn_mnist.html
- 验证码识别-参考文章:https://www.cnblogs.com/wlandwl/p/deep_learn_captcha.html
3. 参考文献
1. [albumentations](
https://github.com/albumentations-team/albumentations) 2. [warmup](
https://github.com/ildoonet/pytorch-gradual-warmup-lr) 3. [pytorch-grad-cam](
https://github.com/jacobgil/pytorch-grad-cam) 4. [![license](https://img.shields.io/github/license/mashape/apistatus.svg?maxAge=2592000) 易大师](
https://github.com/fire717/Fire/blob/main/LICENSE)