之前寫Pytorch的 代碼時候,只用了一個main函數就搞定了,其實這樣可讀性是非常差的,所以我從知乎上找到了一篇知乎文章將如何合理組織代碼的文章,現在把它轉化成自己的東西。
項目文件組織架構
程序文件的組織架構爲:
程序文件的組織結構:
├── checkpoints/
├── data/
│ ├──_init_.py
│ ├── dataset.py
│ └── get_data.sh
├── models/
│ ├── _init_.py
│ ├── AlexNet.py
│ ├── BasicModule.py
│ └── ResNet34.py
└── utils/
│ ├── _init_.py
│ └── visualize.py
├── config.py
├── main.py
├── requirements.txt
├── README.md
其中:
checkpoints/
: 用於保存訓練好的模型,可使程序在異常退出後仍能重新載入模型,恢復訓練data/
:數據相關操作,包括數據預處理、dataset實現等models/
:模型定義,可以有多個模型,例如AlexNet和ResNet34,一個模型對應一個文件utils/
:可能用到的工具函數,在本次實驗中主要是封裝了可視化工具config.py
:配置文件,所有可配置的變量都集中在此,並提供默認值main.py
:主文件,訓練和測試程序的入口,可通過不同的命令來指定不同的操作和參數requirements.txt
:程序依賴的第三方庫README.md
:提供程序的必要說明
轉自:https://www.zhihu.com/collection/341906824 ,侵刪。
1 _init_.py 是什麼??
可以看到,幾乎每個文件夾下都有_init_.py,一個目錄如果包含了_init_.py 文件,那麼它就變成了一個包(package)。_init_.py可以爲空,也可以定義包的屬性和方法,但其必須存在,其它程序才能從這個目錄中導入相應的模塊或函數。例如在data/文件夾下有_init_.py,則在main.py 中就可以
from data.dataset import DogCat
而如果在data/_init_.py中寫入
from .dataset import DogCat
則在main.py中就可以直接寫爲:
from data import DogCat
或者
import data;
dataset = data.DogCat
相比於from data.dataset import DogCat更加便捷。
2 數據加載
數據的相關處理主要保存在data/dataset.py
中。關於數據加載的相關操作,其基本原理就是使用Dataset進行數據集的封裝,再使用Dataloader實現數據並行加載。
一般提供的數據有訓練集和測試集,而在實際使用中,還需要驗證集,這就要從訓練集中劃分一些作爲驗證集。對於訓練集,我們希望做一些數據增強處理,如隨機裁剪、隨機翻轉、加噪聲等,而驗證集和測試集則不需要。下面看dataset.py的代碼:
#作者:陳雲
#鏈接:https://zhuanlan.zhihu.com/p/29024978
#來源:知乎
#著作權歸作者所有,轉載請聯繫作者獲得授權。
import os
from PIL import Image
from torch.utils import data
import numpy as np
from torchvision import transforms as T
class DogCat(data.Dataset):
def __init__(self, root, transforms=None, train=True, test=False):
'''
目標:獲取所有圖片路徑,並根據訓練、驗證、測試劃分數據
'''
self.test = test
imgs = [os.path.join(root, img) for img in os.listdir(root)]
# 訓練集和驗證集的文件命名不一樣
# test1: data/test1/8973.jpg
# train: data/train/cat.10004.jpg
if self.test:
imgs = sorted(imgs, key=lambda x: int(x.split('.')[-2].split('/')[-1]))
else:
imgs = sorted(imgs, key=lambda x: int(x.split('.')[-2]))
imgs_num = len(imgs)
# shuffle imgs
np.random.seed(100)
imgs = np.random.permutation(imgs)
# 劃分訓練、驗證集,驗證:訓練 = 3:7
if self.test:
self.imgs = imgs
elif train:
self.imgs = imgs[:int(0.7*imgs_num)]
else :
self.imgs = imgs[int(0.7*imgs_num):]
if transforms is None:
# 數據轉換操作,測試驗證和訓練的數據轉換有所區別
normalize = T.Normalize(mean = [0.485, 0.456, 0.406],
std = [0.229, 0.224, 0.225])
# 測試集和驗證集不用數據增強
if self.test or not train:
self.transforms = T.Compose([
T.Scale(224),
T.CenterCrop(224),
T.ToTensor(),
normalize
])
# 訓練集需要數據增強
else :
self.transforms = T.Compose([
T.Scale(256),
T.RandomSizedCrop(224),
T.RandomHorizontalFlip(),
T.ToTensor(),
normalize
])
def __getitem__(self, index):
'''
返回一張圖片的數據
對於測試集,沒有label,返回圖片id,如1000.jpg返回1000
'''
img_path = self.imgs[index]
if self.test:
label = int(self.imgs[index].split('.')[-2].split('/')[-1])
else:
label = 1 if 'dog' in img_path.split('/')[-1] else 0
data = Image.open(img_path)
data = self.transforms(data)
return data, label
def __len__(self):
'''
返回數據集中所有圖片的個數
'''
return len(self.imgs)
3 模型定義
模型的定義主要保存在models/
目錄下,其中BasicModule是對nn.Module的簡易封裝,提供快速加載和保存模型的接口。
#作者:陳雲
#鏈接:https://zhuanlan.zhihu.com/p/29024978
#來源:知乎
class BasicModule(t.nn.Module):
'''
封裝了nn.Module,主要提供save和load兩個方法
'''
def __init__(self,opt=None):
super(BasicModule,self).__init__()
self.model_name = str(type(self)) # 模型的默認名字
def load(self, path):
'''
可加載指定路徑的模型
'''
self.load_state_dict(t.load(path))
def save(self, name=None):
'''
保存模型,默認使用“模型名字+時間”作爲文件名,
如AlexNet_0710_23:57:29.pth
'''
if name is None:
prefix = 'checkpoints/' + self.model_name + '_'
name = time.strftime(prefix + '%m%d_%H:%M:%S.pth')
t.save(self.state_dict(), name)
return name
在實際使用中,直接調用model.save()及model.load(opt.load_path)即可。
其它自定義模型一般繼承BasicModule,然後實現自己的模型。其中AlexNet.py實現了AlexNet,ResNet34實現了ResNet34。在models/__init__py中,代碼如下:
from .AlexNet import AlexNet
from .ResNet34 import ResNet34
這樣在主函數中就可以寫成:
from models import AlexNet
或
import models
model = models.AlexNet()
或
import models
model = getattr(models, ‘AlexNet’)()
其中最後一種寫法最爲關鍵,這意味着我們可以通過字符串直接指定使用的模型,而不必使用判斷語句,也不必在每次新增加模型後都修改代碼。新增模型後只需要在models/init.py中加上
from .new_module import NewModule
即可。
其它關於模型定義的注意事項,在上一章中已詳細講解,這裏就不再贅述,總結起來就是:
儘量使用nn.Sequential(比如AlexNet)
將經常使用的結構封裝成子Module(比如GoogLeNet的Inception結構,ResNet的Residual Block結構)
將重複且有規律性的結構,用函數生成(比如VGG的多種變體,ResNet多種變體都是由多個重複卷積層組成)
感興趣的 讀者可以看看在models/resnet34.py
如何用不到80行的代碼(包括空行和註釋)實現resnet34。當然這些模型在torchvision中有實現,而且還提供了預訓練的權重,讀者可以很方便的使用:
import torchvision as tv
resnet34 = tv.models.resnet34(pretrained=True)
4 工具函數
在項目中,我們可能會用到一些helper方法,這些方法可以統一放在utils/
文件夾下,需要使用時再引入。在本例中主要是封裝了可視化工具visdom的一些操作,其代碼如下,在本次實驗中只會用到plot方法,用來統計損失信息。
#coding:utf8
import visdom
import time
import numpy as np
class Visualizer(object):
'''
封裝了visdom的基本操作,但是你仍然可以通過`self.vis.function`
或者`self.function`調用原生的visdom接口
比如
self.text('hello visdom')
self.histogram(t.randn(1000))
self.line(t.arange(0, 10),t.arange(1, 11))
'''
def __init__(self, env='default', **kwargs):
self.vis = visdom.Visdom(env=env, **kwargs)
# 畫的第幾個數,相當於橫座標
# 比如(’loss',23) 即loss的第23個點
self.index = {}
self.log_text = ''
def reinit(self, env='default', **kwargs):
'''
修改visdom的配置
'''
self.vis = visdom.Visdom(env=env, **kwargs)
return self
def plot_many(self, d):
'''
一次plot多個
@params d: dict (name, value) i.e. ('loss', 0.11)
'''
for k, v in d.iteritems():
self.plot(k, v)
def img_many(self, d):
for k, v in d.iteritems():
self.img(k, v)
def plot(self, name, y, **kwargs):
'''
self.plot('loss', 1.00)
'''
x = self.index.get(name, 0)
self.vis.line(Y=np.array([y]), X=np.array([x]),
win=unicode(name),
opts=dict(title=name),
update=None if x == 0 else 'append',
**kwargs
)
self.index[name] = x + 1
def img(self, name, img_, **kwargs):
'''
self.img('input_img', t.Tensor(64, 64))
self.img('input_imgs', t.Tensor(3, 64, 64))
self.img('input_imgs', t.Tensor(100, 1, 64, 64))
self.img('input_imgs', t.Tensor(100, 3, 64, 64), nrows=10)
'''
self.vis.images(img_.cpu().numpy(),
win=unicode(name),
opts=dict(title=name),
**kwargs
)
def log(self, info, win='log_text'):
'''
self.log({'loss':1, 'lr':0.0001})
'''
self.log_text += ('[{time}] {info} <br>'.format(
time=time.strftime('%m%d_%H%M%S'),\
info=info))
self.vis.text(self.log_text, win)
def __getattr__(self, name):
'''
self.function 等價於self.vis.function
自定義的plot,image,log,plot_many等除外
'''
return getattr(self.vis, name)
5 配置文件
在模型定義、數據處理和訓練等過程都有很多變量,這些變量應提供默認值,並統一放置在配置文件中,這樣在後期調試、修改代碼或遷移程序時會比較方便,在這裏我們將所有可配置項放在config.py中。
class DefaultConfig(object):
env = 'default' # visdom 環境
model = 'AlexNet' # 使用的模型,名字必須與models/__init__.py中的名字一致
train_data_root = './data/train/' # 訓練集存放路徑
test_data_root = './data/test1' # 測試集存放路徑
load_model_path = 'checkpoints/model.pth' # 加載預訓練的模型的路徑,爲None代表不加載
batch_size = 128 # batch size
use_gpu = True # use GPU or not
num_workers = 4 # how many workers for loading data
print_freq = 20 # print info every N batch
debug_file = '/tmp/debug' # if os.path.exists(debug_file): enter ipdb
result_file = 'result.csv'
max_epoch = 10
lr = 0.1 # initial learning rate
lr_decay = 0.95 # when val_loss increase, lr = lr*lr_decay
weight_decay = 1e-4 # 損失函數
可配置的參數主要包括:
- 數據集參數(文件路徑、batch_size等)
- 訓練參數(學習率、訓練epoch等)
- 模型參數
這樣我們在程序中就可以這樣使用:
import models
from config import DefaultConfig
opt = DefaultConfig()
lr = opt.lr
model = getattr(models, opt.model)
dataset = DogCat(opt.train_data_root)
這些都只是默認參數,在這裏還提供了更新函數,根據字典更新配置參數。
def parse(self, kwargs):
'''
根據字典kwargs 更新 config參數
'''
# 更新配置參數
for k, v in kwargs.iteritems():
if not hasattr(self, k):
# 警告還是報錯,取決於你個人的喜好
warnings.warn("Warning: opt has not attribut %s" %k)
setattr(self, k, v)
# 打印配置信息
print('user config:')
for k, v in self.__class__.__dict__.iteritems():
if not k.startswith('__'):
print(k, getattr(self, k))
這樣我們在實際使用時,並不需要每次都修改config.py,只需要通過命令行傳入所需參數,覆蓋默認配置即可。
例如:
opt = DefaultConfig()
new_config = {‘lr’:0.1,‘use_gpu’:False}
opt.parse(new_config)
opt.lr == 0.1
6 main.py
在主程序main.py中,主要包含四個函數,其中三個需要命令行執行,main.py的代碼組織結構如下:
def train(**kwargs):
'''
訓練
'''
pass
def val(model, dataloader):
'''
計算模型在驗證集上的準確率等信息,用以輔助訓練
'''
pass
def test(**kwargs):
'''
測試(inference)
'''
pass
def help():
'''
打印幫助的信息
'''
print('help')
if __name__=='__main__':
import fire
fire.Fire()
根據fire的使用方法,可通過python main.py --args=xx的方式來執行訓練或者測試。