模型融合
有的时候我们手头可能有了若干个已经训练好的模型，这些模型可能是同样的结构，也可能是不同的结构，训练模型的数据可能是同一批，也可能不同。无论是出于要通过ensemble提升性能的目的，还是要设计特殊作用的网络，在用Caffe做工程时，融合都是一个常见的步骤。
比如考虑下面的场景，我们有两个模型，都是基于resnet-101，分别在两拨数据上训练出来的。我们希望把这两个模型的倒数第二层拿出来，接一个fc层然后训练这个fc层进行融合。那么有两个问题需要解决：1）两个模型中的层的名字都是相同的，但是不同模型对应的权重不同；2）如何同时在一个融合好的模型中把两个训练好的权重都读取进来。
Caffe中并没有直接用于融合的官方工具，本文介绍一个简单有效的土办法，用融合模型进行ensemble的例子，一步步实现模型融合。
完整例子
模型定义和脚本：
https://github.com/frombeijingwithlove/dlcv_for_beginners/tree/master/random_bonus/multiple_models_fusion_caffe
预训练模型：
https://github.com/frombeijingwithlove/dlcv_book_pretrained_caffe_models/blob/master/mnist_lenet_odd_iter_30000.caffemodel
https://github.com/frombeijingwithlove/dlcv_book_pretrained_caffe_models/blob/master/mnist_lenet_even_iter_30000.caffemodel
虽然模型只是简单的LeNet-5，但是方法是可以拓展到其他大模型上的。
模型(及数据)准备：直接采用预训练好的模型
本文的例子要融合的是两个不同任务的模型：
对偶数0, 2, 4, 6, 8分类的模型
对奇数1, 3, 5, 7, 9分类的模型
采用的网络都是LeNet-5
直接从上节中提到的本文例子的repo下载预定义的模型和权重。
上一部分第一个链接中已经写好了用来训练的LeNet-5结构和solver，用的是ImageData层，以训练奇数分类的模型为例：
name: "LeNet"
layer {
name: "mnist"
type: "ImageData"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mean_value: 128
scale: 0.00390625
}
image_data_param {
source: "train_odd.txt"
is_color: false
batch_size: 25
}
}
layer {
name: "mnist"
type: "ImageData"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mean_value: 128
scale: 0.00390625
}
image_data_param {
source: "val_odd.txt"
is_color: false
batch_size: 20
}
}
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name: "conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name: "ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}
layer {
name: "ip2"
type: "InnerProduct"
bottom: "ip1"
top: "ip2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 5
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "ip2"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}
训练偶数分类的prototxt的唯一区别就是ImageData层中数据的来源不一样。
模型(及数据)准备：Start From Scratch
当然也可以自行训练这两个模型，毕竟只是个用于演示的小例子，很简单。方法如下：
第一步 下载MNIST数据
直接运行download_mnist.sh这个脚本
第二步 转换MNIST数据为图片
运行convert_mnist.py，可以从mnist.pkl.gz中提取所有图片为jpg
import os
import pickle, gzip
from matplotlib import pyplot
# Load the dataset
print('Loading data from mnist.pkl.gz ...')
with gzip.open('mnist.pkl.gz', 'rb') as f:
train_set, valid_set, test_set = pickle.load(f)
imgs_dir = 'mnist'
os.system('mkdir -p {}'.format(imgs_dir))
datasets = {'train': train_set, 'val': valid_set, 'test': test_set}
for dataname, dataset in datasets.items():
print('Converting {} dataset ...'.format(dataname))
data_dir = os.sep.join([imgs_dir, dataname])
os.system('mkdir -p {}'.format(data_dir))
for i, (img, label) in enumerate(zip(*dataset)):
filename = '{:0>6d}_{}.jpg'.format(i, label)
filepath = os.sep.join([data_dir, filename])
img = img.reshape((28, 28))
pyplot.imsave(filepath, img, cmap='gray')
if (i+1) % 10000 == 0:
print('{} images converted!'.format(i+1))
第三步 生成奇数、偶数和全部数据的列表
运行gen_img_list.py，可以分别生成奇数、偶数和全部数据的训练及验证列表：
import os
import sys
mnist_path = 'mnist'
data_sets = ['train', 'val']
for data_set in data_sets:
odd_list = '{}_odd.txt'.format(data_set)
even_list = '{}_even.txt'.format(data_set)
all_list = '{}_all.txt'.format(data_set)
root = os.sep.join([mnist_path, data_set])
filenames = os.listdir(root)
with open(odd_list, 'w') as f_odd, open(even_list, 'w') as f_even, open(all_list, 'w') as f_all:
for filename in filenames:
filepath = os.sep.join([root, filename])
label = int(filename[:filename.rfind('.')].split('_')[1])
line = '{} {}\n'.format(filepath, label)
f_all.write(line)
line = '{} {}\n'.format(filepath, int(label/2))
if label % 2:
f_odd.write(line)
else:
f_even.write(line)
第四步 训练两个不同的模型
就直接训练就行了。Solver的例子如下：
net: "lenet_odd_train_val.prototxt"
test_iter: 253
test_initialization: false
test_interval: 1000
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
lr_policy: "step"
gamma: 0.707
stepsize: 1000
display: 200
max_iter: 30000
snapshot: 30000
snapshot_prefix: "mnist_lenet_odd"
solver_mode: GPU
注意到test_iter是个奇怪的253，这是因为MNIST的验证集中奇数样本多一些，一共是5060个，训练随便取个30个epoch，应该是够了。
制作融合后模型的网络定义
前面提到了模型融合的难题之一在于层的名字可能是相同的，解决这个问题非常简单，只要把名字改成不同就可以，加个前缀就行。按照这个思路，我们给奇数分类和偶数分类的模型的每层前分别加上odd/和even/作为前缀，同时我们给每层的学习率置为0，这样融合的时候就可以只训练融合的全连接层就可以了。实现就是用Python自带的正则表达式匹配，然后进行字符串替换，代码就是第一部分第一个链接中的rename_n_freeze_layers.py：
import sys
import re
layer_name_regex = re.compile('name:\s*"(.*?)"')
lr_mult_regex = re.compile('lr_mult:\s*\d+\.*\d*')
input_filepath = sys.argv[1]
output_filepath = sys.argv[2]
prefix = sys.argv[3]
with open(input_filepath, 'r') as fr, open(output_filepath, 'w') as fw:
prototxt = fr.read()
layer_names = set(layer_name_regex.findall(prototxt))
for layer_name in layer_names:
prototxt = prototxt.replace(layer_name, '{}/{}'.format(prefix, layer_name))
lr_mult_statements = set(lr_mult_regex.findall(prototxt))
for lr_mult_statement in lr_mult_statements:
prototxt = prototxt.replace(lr_mult_statement, 'lr_mult: 0')
fw.write(prototxt)
这个方法虽然土，不过有效，另外需要注意的是如果确定不需要动最后一层以外的参数，或者原始的训练prototxt中就没有lr_mult的话，可以考虑用Caffe的propagate_down这个参数。把这个脚本分别对奇数和偶数模型执行，并记住自己设定的前缀even和odd，然后把数据层到ip1层的定义复制并粘贴到一个文件中，然后把ImageData层和融合层的定义也写入到这个文件，注意融合前需要先用Concat层把特征拼接一下：
name: "LeNet"
layer {
name: "mnist"
type: "ImageData"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mean_value: 128
scale: 0.00390625
}
image_data_param {
source: "train_all.txt"
is_color: false
batch_size: 50
}
}
layer {
name: "mnist"
type: "ImageData"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mean_value: 128
scale: 0.00390625
}
image_data_param {
source: "val_all.txt"
is_color: false
batch_size: 20
}
}
...
### rename_n_freeze_layers.py 生成的网络结构部分 ###
...
layer {
name: "concat"
bottom: "odd/ip1"
bottom: "even/ip1"
top: "ip1_fused"
type: "Concat"
concat_param {
axis: 1
}
}
layer {
name: "ip2"
type: "InnerProduct"
bottom: "ip1_fused"
top: "ip2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 10
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "ip2"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}
分别读取每个模型的权重并生成融合模型的权重
这个思路就是用pycaffe进行读取，然后按照层名字的对应关系进行值拷贝，最后再存一下就可以，代码如下：
import sys
sys.path.append('/path/to/caffe/python')
import caffe
fusion_net = caffe.Net('lenet_fusion_train_val.prototxt', caffe.TEST)
model_list = [
('even', 'lenet_even_train_val.prototxt', 'mnist_lenet_even_iter_30000.caffemodel'),
('odd', 'lenet_odd_train_val.prototxt', 'mnist_lenet_odd_iter_30000.caffemodel')
]
for prefix, model_def, model_weight in model_list:
net = caffe.Net(model_def, model_weight, caffe.TEST)
for layer_name, param in net.params.iteritems():
n_params = len(param)
try:
for i in range(n_params):
net.params['{}/{}'.format(prefix, layer_name)][i].data[...] = param[i].data[...]
except Exception as e:
print(e)
fusion_net.save('init_fusion.caffemodel')
训练融合后的模型
这个也没什么好说的了，直接训练即可，本文例子的参考Solver如下：
net: "lenet_fusion_train_val.prototxt"
test_iter: 500
test_initialization: false
test_interval: 1000
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
lr_policy: "step"
gamma: 0.707
stepsize: 1000
display: 200
max_iter: 30000
snapshot: 30000
snapshot_prefix: "mnist_lenet_fused"
solver_mode: GPU
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：在Caffe中实现模型融合 - Python技术站
微信扫一扫 
支付宝扫一扫 
