本文介绍Paddle 2.1.0版本新功能Paddle.Hub API，可快速加载外部扩展模型。以用PaddleClas预训练模型实现猫的12分类为例，演示同步代码、加载模型列表与模型、预处理数据、训练模型及预测的过程，还提及该版本存在的一些问题。

引入

• Paddle 最近更新到了 2.1.0 版本了
• 其中加入了一个新功能，即 Paddle.Hub API
• 通过这个新功能，可以快速加载外部的拓展模型，比如加载 PaddleClas 中丰富的分类预训练模型
• 今天就通过这个项目来体验一下这个功能，使用 PaddleClas 中的预训练模型实现极简版的猫的 12 分类

Paddle.Hub

• 官方文档：直达链接

• API 简介：

  API 名称API 功能list查看 Repo 支持的模型列表help查看指定模型的文档load加载指定模型

• 使用介绍：
  • 简单讲这就是个可以快速调用外部扩展模型的 API
  • 只需要将模型的代码托管在 GitHub 或 Gitee 平台上或者存储在本地
  • 就可以通过这个 API 进行调用，方便开发者分享模型代码供其他人快速使用

快速使用

• 因为 GitHub 访问速度比较慢的缘故
• 暂时使用本地加载的方式来演示，所以需要预先同步 repo 的代码至本地后进行使用

• 对于一个数据集，首先要了解数据的组成是什么：

  • 解压完的数据集中包括两个图片文件夹以及一个数据列表文件，如下图所示

  

  ? ? ? ? ? ? ? ?
  • 其中 cat_12_train 和 cat_12_test 分别存放所有训练和测试集的图片
  • train_list.txt 则是以由一行行"图片 标签"的数据组成的数据列表
    • 如：cat_12_train/8GOkTtqw7E6IHZx4olYnhzvXLCiRsUfM.jpg 0
    • 其中使用0-11分别对12个类别进行标注
    • 中间使用t作为分隔符

• 对于一个数据集，为了更好的衡量模型的效果，不能只有训练集和测试集，所以一般需要从中训练集中分出一部分作为验证集使用

• 了解了上述的内容，就可以开始使用代码来对数据集进行预处理了

import osimport paddleimport randomtotal = []# 读取数据标签with open('/home/aistudio/data/data10954/train_list.txt', 'r', encoding='UTF-8') as f: for line in f: # 格式转换 line = line[:-1].split('t') total.append(' '.join(line)+'n')# 打乱数据顺序random.shuffle(total)'''切分数据集95%的数据作为训练集5%的数据作为验证集'''split_num = int(len(total)*0.95) # 写入训练数据列表with open('/home/aistudio/data/data10954/train.txt', 'w', encoding='UTF-8') as f: for line in total[:split_num]: f.write(line)# 写入验证数据列表with open('/home/aistudio/data/data10954/dev.txt', 'w', encoding='UTF-8') as f: for line in total[split_num:]: f.write(line)# 写入测试数据列表with open('/home/aistudio/data/data10954/test.txt', 'w', encoding='UTF-8') as f: for line in ['cat_12_test/%sn' % img for img in os.listdir('/home/aistudio/data/data10954/cat_12_test')]: f.write(line)登录后复制 ? ?

模型训练

• 模型训练的一般步骤如下：

  1. 搭建模型
  2. 构建数据集和数据读取器
  3. 配置各种参数
  4. 构建训练任务
  5. 开始训练模型

• 注：启动训练前请重启 Notebook 内核

• 注：目前只有 CPU 环境才可以正常运行如下代码

import osimport paddleimport randomimport paddle.nn as nnimport paddle.vision.transforms as T# 构建数据集class CatDataset(paddle.io.Dataset): def __init__(self, transforms, dataset_path='/home/aistudio/data/data10954', mode='train'): self.mode = mode self.dataset_path = dataset_path self.transforms = transforms self.num_classes = 5 if self.mode == 'train': self.file = 'train.txt' elif self.mode == 'dev': self.file = 'dev.txt' else: self.file = 'test.txt' self.file = os.path.join(dataset_path, self.file) with open(self.file, 'r') as file: self.data = file.read()[:-1].split('n') def __getitem__(self, idx): if self.mode in ['train', 'dev']: img_path, grt = self.data[idx].split(' ') img_path = os.path.join(self.dataset_path, img_path) im = paddle.vision.image_load(img_path) im = im.convert(”RGB“) im = self.transforms(im) return im, int(grt) else: img_path = self.data[idx] img_path = os.path.join(self.dataset_path, img_path) im = paddle.vision.image_load(img_path) im = im.convert(”RGB“) im = self.transforms(im) return im def __len__(self): return len(self.data)# 加载数据集train_transforms = T.Compose([ T.Resize(256), T.RandomCrop(224), T.RandomHorizontalFlip(), T.RandomVerticalFlip(), T.ToTensor(), T.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])])test_transforms = T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])])train_dataset = CatDataset(train_transforms, mode='train')dev_dataset = CatDataset(test_transforms, mode='dev')test_dataset = CatDataset(test_transforms, mode='test')# 加载模型model = paddle.hub.load('PaddleClas', 'mobilenetv3_large_x0_5', source='local', force_reload=False, class_dim=12, pretrained=True)model = paddle.Model(model)# 定义优化器opt = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())# 配置模型model.prepare(optimizer=opt, loss=nn.CrossEntropyLoss(), metrics=paddle.metric.Accuracy(topk=(1, 5)))model.fit( train_data=train_dataset, eval_data=dev_dataset, batch_size=32, epochs=2, eval_freq=1, log_freq=1, save_dir='save_models', save_freq=1, verbose=1, drop_last=False, shuffle=True, num_workers=0)登录后复制 ? ? ? ?

2021-05-18 12:43:59 INFO: unique_endpoints {''}2021-05-18 12:43:59 INFO: Downloading MobileNetV3_large_x0_5_pretrained.pdparams from https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/MobileNetV3_large_x0_5_pretrained.pdparams100%|██████████| 15875/15875 [00:00<00:00, 18983.36it/s]/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1297: UserWarning: Skip loading for out.weight. out.weight receives a shape [1280, 1000], but the expected shape is [1280, 12]. warnings.warn((”Skip loading for {}. “.format(key) + str(err)))/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1297: UserWarning: Skip loading for out.bias. out.bias receives a shape [1000], but the expected shape is [12]. warnings.warn((”Skip loading for {}. “.format(key) + str(err)))登录后复制 ? ? ? ?

The loss value printed in the log is the current step, and the metric is the average value of previous steps.Epoch 1/2登录后复制 ? ? ? ?

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/layers/utils.py:77: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working return (isinstance(seq, collections.Sequence) and登录后复制 ? ? ? ?

step 65/65 [==============================] - loss: 2.7684 - acc_top1: 0.6628 - acc_top5: 0.9464 - 3s/step save checkpoint at /home/aistudio/save_models/0Eval begin...step 4/4 [==============================] - loss: 0.8948 - acc_top1: 0.7685 - acc_top5: 0.9907 - 732ms/step Eval samples: 108Epoch 2/2step 65/65 [==============================] - loss: 0.5738 - acc_top1: 0.8397 - acc_top5: 0.9942 - 3s/step save checkpoint at /home/aistudio/save_models/1Eval begin...step 4/4 [==============================] - loss: 0.5484 - acc_top1: 0.8611 - acc_top5: 0.9907 - 779ms/step Eval samples: 108save checkpoint at /home/aistudio/save_models/final登录后复制 ? ? ? ?

模型预测

• 模型预测一般步骤：

  1. 读取数据
  2. 模型预测
  3. 预测结果后处理
  4. 输出最终结果

import numpy as np# 模型预测results = model.predict(test_dataset, batch_size=32, num_workers=0, stack_outputs=True, callbacks=None)# 对预测结果进行后处理total = []for img, result in zip(test_dataset.data, np.argmax(results[0], 1)): total.append('%s,%sn' % (img.split('/')[-1], result))# 生成结果文件with open('result.csv','w') as f: for line in total: f.write(line)登录后复制 ? ? ? ?

Predict begin...step 8/8 [==============================] - 805ms/step Predict samples: 240登录后复制 ? ? ? ?