实战 Kaggle 比赛：图像分类 (CIFAR-10)¶

:label:sec_kaggle_cifar10

之前几节中，我们一直在使用深度学习框架的高级API直接获取张量格式的图像数据集。但是在实践中，图像数据集通常以图像文件的形式出现。本节将从原始图像文件开始，然后逐步组织、读取并将它们转换为张量格式。

我们在 :numref:sec_image_augmentation中对CIFAR-10数据集做了一个实验。CIFAR-10是计算机视觉领域中的一个重要的数据集。本节将运用我们在前几节中学到的知识来参加CIFAR-10图像分类问题的Kaggle竞赛，(比赛的网址是https://www.kaggle.com/c/cifar-10)。

:numref:fig_kaggle_cifar10显示了竞赛网站页面上的信息。为了能提交结果，首先需要注册一个Kaggle账户。

CIFAR-10 图像分类竞赛页面上的信息。竞赛用的数据集可通过点击“Data”选项卡获取。 :width:600px :label:fig_kaggle_cifar10

首先，导入竞赛所需的包和模块。

In [1]:

import collections
        import math
        import os
        import shutil
        import pandas as pd
        import torch
        import torchvision
        from torch import nn
        from d2l import torch as d2l

获取并组织数据集¶

比赛数据集分为训练集和测试集，其中训练集包含50000张、测试集包含300000张图像。在测试集中，10000张图像将被用于评估，而剩下的290000张图像将不会被进行评估，包含它们只是为了防止手动标记测试集并提交标记结果。两个数据集中的图像都是png格式，高度和宽度均为32像素并有三个颜色通道（RGB）。这些图片共涵盖10个类别：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。 :numref:fig_kaggle_cifar10的左上角显示了数据集中飞机、汽车和鸟类的一些图像。

下载数据集¶

登录Kaggle后，我们可以点击 :numref:fig_kaggle_cifar10中显示的CIFAR-10图像分类竞赛网页上的“Data”选项卡，然后单击“Download All”按钮下载数据集。在../data中解压下载的文件并在其中解压缩train.7z和test.7z后，在以下路径中可以找到整个数据集：

../data/cifar-10/train/[1-50000].png
../data/cifar-10/test/[1-300000].png
../data/cifar-10/trainLabels.csv
../data/cifar-10/sampleSubmission.csv

train和test文件夹分别包含训练和测试图像，trainLabels.csv含有训练图像的标签， sample_submission.csv是提交文件的范例。

为了便于入门，[我们提供包含前1000个训练图像和5个随机测试图像的数据集的小规模样本]。要使用Kaggle竞赛的完整数据集，需要将以下demo变量设置为False。

In [2]:

#@save
        d2l.DATA_HUB['cifar10_tiny'] = (d2l.DATA_URL + 'kaggle_cifar10_tiny.zip',
                                        '2068874e4b9a9f0fb07ebe0ad2b29754449ccacd')
        
        # 如果使用完整的Kaggle竞赛的数据集，设置demo为False
        demo = True
        
        if demo:
            data_dir = d2l.download_extract('cifar10_tiny')
        else:
            data_dir = '../data/cifar-10/'

Downloading ../data/kaggle_cifar10_tiny.zip from http://d2l-data.s3-accelerate.amazonaws.com/kaggle_cifar10_tiny.zip...

[整理数据集]¶

我们需要整理数据集来训练和测试模型。首先，我们用以下函数读取CSV文件中的标签，它返回一个字典，该字典将文件名中不带扩展名的部分映射到其标签。

In [3]:

#@save
        def read_csv_labels(fname):
            """读取fname来给标签字典返回一个文件名"""
            with open(fname, 'r') as f:
                # 跳过文件头行(列名)
                lines = f.readlines()[1:]
            tokens = [l.rstrip().split(',') for l in lines]
            return dict(((name, label) for name, label in tokens))
        
        labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
        print('# 训练样本 :', len(labels))
        print('# 类别 :', len(set(labels.values())))

# 训练样本 : 1000
        # 类别 : 10

接下来，我们定义reorg_train_valid函数来[将验证集从原始的训练集中拆分出来]。此函数中的参数valid_ratio是验证集中的样本数与原始训练集中的样本数之比。更具体地说，令$n$等于样本最少的类别中的图像数量，而$r$是比率。验证集将为每个类别拆分出$\max(\lfloor nr\rfloor,1)$张图像。让我们以valid_ratio=0.1为例，由于原始的训练集有50000张图像，因此train_valid_test/train路径中将有45000张图像用于训练，而剩下5000张图像将作为路径train_valid_test/valid中的验证集。组织数据集后，同类别的图像将被放置在同一文件夹下。

In [4]:

#@save
        def copyfile(filename, target_dir):
            """将文件复制到目标目录"""
            os.makedirs(target_dir, exist_ok=True)
            shutil.copy(filename, target_dir)
        
        #@save
        def reorg_train_valid(data_dir, labels, valid_ratio):
            """将验证集从原始的训练集中拆分出来"""
            # 训练数据集中样本最少的类别中的样本数
            n = collections.Counter(labels.values()).most_common()[-1][1]
            # 验证集中每个类别的样本数
            n_valid_per_label = max(1, math.floor(n * valid_ratio))
            label_count = {}
            for train_file in os.listdir(os.path.join(data_dir, 'train')):
                label = labels[train_file.split('.')[0]\]
                fname = os.path.join(data_dir, 'train', train_file)
                copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                             'train_valid', label))
                if label not in label_count or label_count[label] < n_valid_per_label:
                    copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                                 'valid', label))
                    label_count[label] = label_count.get(label, 0) + 1
                else:
                    copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                                 'train', label))
            return n_valid_per_label

下面的reorg_test函数用来[在预测期间整理测试集，以方便读取]。

In [5]:

#@save
        def reorg_test(data_dir):
            """在预测期间整理测试集，以方便读取"""
            for test_file in os.listdir(os.path.join(data_dir, 'test')):
                copyfile(os.path.join(data_dir, 'test', test_file),
                         os.path.join(data_dir, 'train_valid_test', 'test',
                                      'unknown'))

最后，我们使用一个函数来[调用前面定义的函数]read_csv_labels、reorg_train_valid和reorg_test。

In [6]:

def reorg_cifar10_data(data_dir, valid_ratio):
            labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
            reorg_train_valid(data_dir, labels, valid_ratio)
            reorg_test(data_dir)

在这里，我们只将样本数据集的批量大小设置为32。在实际训练和测试中，应该使用Kaggle竞赛的完整数据集，并将batch_size设置为更大的整数，例如128。我们将10％的训练样本作为调整超参数的验证集。

In [7]:

batch_size = 32 if demo else 128
        valid_ratio = 0.1
        reorg_cifar10_data(data_dir, valid_ratio)

[图像增广]¶

我们使用图像增广来解决过拟合的问题。例如在训练中，我们可以随机水平翻转图像。我们还可以对彩色图像的三个RGB通道执行标准化。下面，我们列出了其中一些可以调整的操作。

In [8]:

transform_train = torchvision.transforms.Compose([
            # 在高度和宽度上将图像放大到40像素的正方形
            torchvision.transforms.Resize(40),
            # 随机裁剪出一个高度和宽度均为40像素的正方形图像，
            # 生成一个面积为原始图像面积0.64～1倍的小正方形，
            # 然后将其缩放为高度和宽度均为32像素的正方形
            torchvision.transforms.RandomResizedCrop(32, scale=(0.64, 1.0),
                                                           ratio=(1.0, 1.0)),
            torchvision.transforms.RandomHorizontalFlip(),
            torchvision.transforms.ToTensor(),
            # 标准化图像的每个通道
            torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
                                             [0.2023, 0.1994, 0.2010])])

在测试期间，我们只对图像执行标准化，以消除评估结果中的随机性。

In [9]:

transform_test = torchvision.transforms.Compose([
            torchvision.transforms.ToTensor(),
            torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
                                             [0.2023, 0.1994, 0.2010])])

读取数据集¶

接下来，我们[读取由原始图像组成的数据集]，每个样本都包括一张图片和一个标签。

In [10]:

train_ds, train_valid_ds = [torchvision.datasets.ImageFolder(
            os.path.join(data_dir, 'train_valid_test', folder),
            transform=transform_train) for folder in ['train', 'train_valid']\]
        
        valid_ds, test_ds = [torchvision.datasets.ImageFolder(
            os.path.join(data_dir, 'train_valid_test', folder),
            transform=transform_test) for folder in ['valid', 'test']\]

在训练期间，我们需要[指定上面定义的所有图像增广操作]。当验证集在超参数调整过程中用于模型评估时，不应引入图像增广的随机性。在最终预测之前，我们根据训练集和验证集组合而成的训练模型进行训练，以充分利用所有标记的数据。

In [11]:

train_iter, train_valid_iter = [torch.utils.data.DataLoader(
            dataset, batch_size, shuffle=True, drop_last=True)
            for dataset in (train_ds, train_valid_ds)]
        
        valid_iter = torch.utils.data.DataLoader(valid_ds, batch_size, shuffle=False,
                                                 drop_last=True)
        
        test_iter = torch.utils.data.DataLoader(test_ds, batch_size, shuffle=False,
                                                drop_last=False)

定义[模型]¶

我们定义了 :numref:sec_resnet中描述的Resnet-18模型。

In [12]:

def get_net():
            num_classes = 10
            net = d2l.resnet18(num_classes, 3)
            return net
        
        loss = nn.CrossEntropyLoss(reduction="none")

定义[训练函数]¶

我们将根据模型在验证集上的表现来选择模型并调整超参数。下面我们定义了模型训练函数train。

In [13]:

def train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
                  lr_decay):
            trainer = torch.optim.SGD(net.parameters(), lr=lr, momentum=0.9,
                                      weight_decay=wd)
            scheduler = torch.optim.lr_scheduler.StepLR(trainer, lr_period, lr_decay)
            num_batches, timer = len(train_iter), d2l.Timer()
            legend = ['train loss', 'train acc']
            if valid_iter is not None:
                legend.append('valid acc')
            animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                                    legend=legend)
            net = nn.DataParallel(net, device_ids=devices).to(devices[0])
            for epoch in range(num_epochs):
                net.train()
                metric = d2l.Accumulator(3)
                for i, (features, labels) in enumerate(train_iter):
                    timer.start()
                    l, acc = d2l.train_batch_ch13(net, features, labels,
                                                  loss, trainer, devices)
                    metric.add(l, acc, labels.shape[0])
                    timer.stop()
                    if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                        animator.add(epoch + (i + 1) / num_batches,
                                     (metric[0] / metric[2], metric[1] / metric[2],
                                      None))
                if valid_iter is not None:
                    valid_acc = d2l.evaluate_accuracy_gpu(net, valid_iter)
                    animator.add(epoch + 1, (None, None, valid_acc))
                scheduler.step()
            measures = (f'train loss {metric[0] / metric[2]:.3f}, '
                        f'train acc {metric[1] / metric[2]:.3f}')
            if valid_iter is not None:
                measures += f', valid acc {valid_acc:.3f}'
            print(measures + f'\n{metric[2] * num_epochs / timer.sum():.1f}'
                  f' examples/sec on {str(devices)}')

[训练和验证模型]¶

现在，我们可以训练和验证模型了，而以下所有超参数都可以调整。例如，我们可以增加周期的数量。当lr_period和lr_decay分别设置为4和0.9时，优化算法的学习速率将在每4个周期乘以0.9。为便于演示，我们在这里只训练20个周期。

In [14]:

devices, num_epochs, lr, wd = d2l.try_all_gpus(), 20, 2e-4, 5e-4
        lr_period, lr_decay, net = 4, 0.9, get_net()
        train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
              lr_decay)

train loss 0.668, train acc 0.761, valid acc 0.406
        758.4 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

No description has been provided for this image

在 Kaggle 上[对测试集进行分类并提交结果]¶

在获得具有超参数的满意的模型后，我们使用所有标记的数据（包括验证集）来重新训练模型并对测试集进行分类。

In [15]:

net, preds = get_net(), []
        train(net, train_valid_iter, None, num_epochs, lr, wd, devices, lr_period,
              lr_decay)
        
        for X, _ in test_iter:
            y_hat = net(X.to(devices[0]))
            preds.extend(y_hat.argmax(dim=1).type(torch.int32).cpu().numpy())
        sorted_ids = list(range(1, len(test_ds) + 1))
        sorted_ids.sort(key=lambda x: str(x))
        df = pd.DataFrame({'id': sorted_ids, 'label': preds})
        df['label'] = df['label'].apply(lambda x: train_valid_ds.classes[x])
        df.to_csv('submission.csv', index=False)

train loss 0.745, train acc 0.734
        883.3 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

向Kaggle提交结果的方法与 :numref:sec_kaggle_house中的方法类似，上面的代码将生成一个 submission.csv文件，其格式符合Kaggle竞赛的要求。

小结¶

将包含原始图像文件的数据集组织为所需格式后，我们可以读取它们。

我们可以在图像分类竞赛中使用卷积神经网络和图像增广。

练习¶

在这场Kaggle竞赛中使用完整的CIFAR-10数据集。将超参数设为batch_size = 128，num_epochs = 100，lr = 0.1，lr_period = 50，lr_decay = 0.1。看看在这场比赛中能达到什么准确度和排名。能进一步改进吗？
不使用图像增广时，能获得怎样的准确度？