fastaiでcifar10のTransfer Learningを試す

2019年11月11日の投稿で、PyTorchでcifar10のTransfer Learningを行いました。
今回は、fast.aiライブラリーを利用して行ってみたいと思います。

fast.aiのインストールなど、詳しくはここを御覧ください。

%reload_ext autoreload %autoreload 2 %matplotlib inline

from fastai.vision import * from fastai.metrics import error_rate

# root dirの取得 import os if os.name == 'posix':     root_dir='/media/{ユーザー名}/DataScience' elif os.name == 'nt':     root_dir = 'F:' else:     pass  dataset_dir=root_dir+'/DataSet/cifar10/cifar10_png'

tfms = get_transforms(do_flip=False)

PyTorchの「data_transforms」の部分を担っているのでしょう。詳しくわ改めて書きます。

path = dataset_dir data=ImageDataBunch.from_folder(path,'train','val',ds_tfms=tfms, size=224,bs=16) data.normalize(imagenet_stats)

imagenet_statsは、ImageNetに合わせる正規化、PyTorchで「transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])」の部分を担っているのだと思います。

learn = cnn_learner(data, models.resnet34, metrics=error_rate,callback_fns=ShowGraph)

【注意】create_cnn is deprecated and is now named cnn_learner

learn.lr_find()

learn.recorder.plot()

今日の場合、上2つは必要ないでしょうが、とりあえず書いておきます。
fast.aiでは、トレーニングに際して、fit_one_cycleを推奨しているようです。
fit_one_cycleについても、改めて検証したいと思います。

learn.fit_one_cycle(4)

epoch　train_loss　　valid_loss　　error_rate　　time

0　　　0.516307　　0.283570　　0.097300　　07:50

1　　　0.393534　　0.194867　　0.066300　　07:48

2　　　0.351924　　0.166043　　0.057800　　07:49

3　　　0.280021　　0.160570　　0.055000　　07:48

• たったこれだけのコードで、前回PyTorchで書いたTransfer Learningとほぼ同等な結果が得られました。
• 自分で色々とカスタマイズしたい場合は、fast.aiではブラックボックス化されているので、PyTorchで書くしかないでしょう。fast.aiでも出来るのかも知れませんが勉強不足でそこまで分かりません。
• ただ、トレーニング時間が31分と、PyTorchの23分よりかなり多くかかっています。