-
Notifications
You must be signed in to change notification settings - Fork 0
/
Network.py
573 lines (436 loc) · 19.7 KB
/
Network.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
import torch
import pickle
import torch.nn as nn
import torch.nn.functional as f
import numpy as np
import pandas as pd
import torchvision
import matplotlib.patches as patches
from torchvision import datasets, models, transforms
from torch.utils.data import DataLoader
from sklearn.preprocessing import LabelEncoder
from tqdm import tqdm
from sklearn.model_selection import train_test_split
from matplotlib.font_manager import FontProperties
from pathlib import Path
from DataLoader import DatasetLoader
from matplotlib import pyplot as plt, ticker
from sklearn.metrics import f1_score
class Cnn(nn.Module):
"""Класс сверточной нейросети"""
def __init__(self, n_classes=42):
super().__init__()
self.conv1 = nn.Sequential(
nn.Conv2d(in_channels=3, out_channels=32, kernel_size=7, stride=2),
nn.ReLU(),
nn.AvgPool2d(kernel_size=3, stride=2)
)
self.conv2 = nn.Sequential(
nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=2),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.AvgPool2d(kernel_size=3, stride=2)
)
self.conv3 = nn.Sequential(
nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),
nn.BatchNorm2d(128),
nn.ReLU(),
)
self.conv4 = nn.Sequential(
nn.Conv2d(in_channels=128, out_channels=256, kernel_size=3, stride=1, padding=1),
nn.BatchNorm2d(256),
nn.ReLU(),
)
self.conv5 = nn.Sequential(
nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=1, padding=1),
nn.BatchNorm2d(256),
nn.ReLU()
)
self.conv6 = nn.Sequential(
nn.Conv2d(in_channels=256, out_channels=256, kernel_size=2),
nn.BatchNorm2d(256),
nn.ReLU(),
nn.MaxPool2d(kernel_size=3, stride=2)
)
self.fc1 = nn.Sequential(
nn.Linear(4 * 4 * 256, 2048),
nn.BatchNorm1d(2048),
nn.ReLU(),
)
self.fc2 = nn.Sequential(
nn.Linear(2048, 2048),
nn.BatchNorm1d(2048),
nn.ReLU()
)
self.fc3 = nn.Sequential(
nn.Linear(2048, 2048),
nn.BatchNorm1d(2048),
nn.ReLU()
)
self.fc4 = nn.Sequential(
nn.Linear(2048, n_classes),
)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = self.conv3(x)
x = self.conv4(x)
x = self.conv5(x)
x = self.conv6(x)
x = f.interpolate(x, size=(4, 4), align_corners=False, mode='bilinear')
x = x.view(x.size(0), 4 * 4 * 256)
x = self.fc1(x)
x = self.fc2(x)
x = self.fc3(x)
x = self.fc4(x)
return x
class NetworkStuff:
"""Класс функций для работы с нейросетью"""
def __init__(self,
model,
optimizer,
criterion,
scheduler,
train_dir,
test_dir,
save_name,
use_scheduler=True,
epochs=25,
batch_size=64,
val_size=0.25):
"""
:param model: нейросеть
:param optimizer: оптимизатор
:param criterion: функция ошибки
:param scheduler: оптимизатор шага
:param train_dir: директория тренировочной выборки
:param test_dir: директория тестовой выборки
:param save_name: имя для сохранеия файлов
:param use_scheduler: использовать ли оптимизатор шага
:param epochs: количество эпох
:param batch_size: размер батча
:param val_size: размер валидационной части обучающей выборки
"""
self.device = torch.device("cuda")
self.model = model
self.optimizer = optimizer
self.criterion = criterion
self.scheduler = scheduler
self.train_dir = Path(train_dir)
self.test_dir = Path(test_dir)
self.file_name = save_name
self.use_scheduler = use_scheduler
self.epochs = epochs
self.batch_size = batch_size
self.test_size = val_size
self.val_dataset = None
self.train_dataset = None
self.test_dataset = None
self.history = None
self.get_dataset()
def get_dataset(self):
"""
Получает датасет из директории,
переданной при создании объекта класса
"""
train_val_files = sorted(list(self.train_dir.rglob('*.jpg')))
test_files = sorted(list(self.test_dir.rglob('*.jpg')))
train_val_labels = [path.parent.name for path in train_val_files]
train_files, val_files = train_test_split(train_val_files,
test_size=self.test_size,
stratify=train_val_labels)
self.val_dataset = DatasetLoader(val_files, mode='val')
self.train_dataset = DatasetLoader(train_files, mode='train')
self.test_dataset = DatasetLoader(test_files, mode="test")
def fit_epoch(self, train_loader: torch.utils.data.DataLoader):
"""
Реализует одну эпоху обучения
:param train_loader: Загрузчик тренировочной части обучающей выборки
:return: Ошибка и точность на тренировочной части обучающей выборки
для построения графиков
"""
running_loss = 0.0
running_corrects = 0
processed_data = 0
for inputs, labels in tqdm(train_loader, position=0, leave=True):
inputs = inputs.to(self.device)
labels = labels.to(self.device)
self.optimizer.zero_grad()
outputs = self.model(inputs)
loss = self.criterion(outputs, labels)
loss.backward()
self.optimizer.step()
prediction = torch.argmax(outputs, 1)
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(prediction == labels.data)
processed_data += inputs.size(0)
train_loss = running_loss / processed_data
train_acc = running_corrects.cpu().numpy() / processed_data
return train_loss, train_acc
def eval_epoch(self, val_loader: torch.utils.data.DataLoader):
"""
Оценка модели по валидационной части
:param val_loader: Загрузчик валидационной части обучающей выборки
:return: Ошибка и точность на валидационной части обучающей выборки
для построения графиков
"""
self.model.eval()
running_loss = 0.0
running_corrects = 0
processed_size = 0
for inputs, labels in val_loader:
inputs = inputs.to(self.device)
labels = labels.to(self.device)
with torch.set_grad_enabled(False):
outputs = self.model(inputs)
loss = self.criterion(outputs, labels)
prediction = torch.argmax(outputs, 1)
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(prediction == labels.data)
processed_size += inputs.size(0)
val_loss = running_loss / processed_size
val_acc = running_corrects.double() / processed_size
return val_loss, val_acc
def train(self, file_name=None, clear_history=True):
"""
Тренирует нейронную сеть
:param file_name: Имя файла для истории обучения и весов модели,
если не передано, будет взято имя, переданное в конструктор класса
:param clear_history: Очищать ли историю. Если False, то история
обучения сохранится, чтобы вы могли построить график всего обучения,
даже если останавливали его.
"""
if file_name is None:
file_name = self.file_name
train_loader = DataLoader(self.train_dataset,
batch_size=self.batch_size,
shuffle=True)
val_loader = DataLoader(self.val_dataset,
batch_size=self.batch_size,
shuffle=False)
if clear_history:
self.history = []
else:
self.history = self.get_history()
start_value = len(self.history)
best_val_accuracy = 0.0
best_weights = 0
for epoch in tqdm(range(start_value, self.epochs+start_value), position=1,
leave=True, initial=start_value,
total=self.epochs+start_value):
train_loss, train_acc = self.fit_epoch(train_loader)
val_loss, val_acc = self.eval_epoch(val_loader)
if self.use_scheduler:
self.scheduler.step(val_loss)
self.history.append((train_loss, train_acc, val_loss, val_acc))
log_template = "\nEpoch {epoch:03d} train_loss: {train_loss:0.4f} \
val_loss {val_loss:0.4f} train_acc {train_acc:0.4f} val_acc {val_acc:0.4f}"
tqdm.write(log_template.format(epoch=epoch+1,
train_loss=train_loss,
val_loss=val_loss,
train_acc=train_acc,
val_acc=val_acc))
if val_acc > best_val_accuracy:
best_val_accuracy = val_acc
best_weights = self.model.state_dict()
self.save_model(file_name)
self.save_history(file_name)
self.model.load_state_dict(best_weights)
print('Best val: {b_v:0.4f}'.format(b_v=best_val_accuracy*100))
self.save_model(file_name)
self.save_history(file_name)
def predict(self, test_loader=None):
"""
Возвращает предсказание нейронной сети.
:param test_loader: Загрузчик тестовой выборки,
если не передан, будет создан из директории,
переданной в конструктор класса
:return: Для каждой картинки возвращает
вектор вероятностей ее принадлежности к
одному из классов
"""
if test_loader is None:
test_loader = DataLoader(self.test_dataset,
batch_size=self.batch_size,
shuffle=False)
with torch.no_grad():
logits = []
for inputs in test_loader:
inputs = inputs.to(self.device)
self.model.eval()
outputs = self.model(inputs).cpu()
logits.append(outputs)
probabilities = nn.functional.softmax(torch.cat(logits), dim=-1).numpy()
return probabilities
def save_model(self, file_name=None):
"""
Сохраняет параметры нейронной сети
:param file_name: Имя файла для весов модели,
если не передано, будет взято имя, переданное в конструктор класса
"""
if file_name is None:
file_name = self.file_name
path = 'models/' + file_name + '.pth'
torch.save(self.model.state_dict(), path)
def load_model(self, file_name=None):
"""
Загружает параметры нейронной сети
:param file_name: Имя файла для весов модели,
если не передано, будет взято имя, переданное в конструктор класса
"""
if file_name is None:
file_name = self.file_name
path = 'models/' + file_name + '.pth'
self.model.load_state_dict(torch.load(path))
self.model = self.model.to(torch.device('cuda'))
def get_model(self):
"""
Возвращает модель нейронной сети
:return: модель нейронной сети
"""
return self.model
def submit(self, file_name=None):
"""
Делает csv-сабмит и сохраняет его.
:param file_name: Имя файла для сохранеия сабмита,
если не передано, будет взято имя,
переданное в конструктор класса
"""
if file_name is None:
file_name = self.file_name
path = 'submits/' + file_name + '.csv'
probabilities = self.predict()
label_encoder = pickle.load(open("data/label_encoder.pkl", 'rb'))
predictions = label_encoder.inverse_transform(np.argmax(probabilities, axis=1))
test_filenames = [path.name for path in self.test_dataset.files]
df = pd.DataFrame()
df['Id'] = test_filenames
df['Expected'] = predictions
df.to_csv(path, index=False)
def plotter(self, history=None, file_name=None):
"""
Строит графики точности и ошибки от эпохи обучения,
затем сохраняет их под именем, переданным в конструктор
класса
:param file_name: Имя файла для сохранеия графика,
если не передано, будет взято имя,
переданное в конструктор класса
:param history: история обучения, по которой
нужно строить график. Если не передано, то
будет использована история из директории
/histories с именем файла, переданным в
конструктор класса
"""
if history is None:
history = self.get_history()
if file_name is None:
file_name = self.file_name
path = 'plots/' + file_name + '.png'
loss, acc, val_loss, val_acc = zip(*history)
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(16, 10))
axes[0].plot(loss, label="train_loss")
axes[0].plot(val_loss, label="val_loss")
axes[0].legend(loc='best')
axes[0].set_xlabel('iterations')
axes[0].set_ylabel('loss')
axes[0].set_xlim(left=0)
axes[1].plot(acc, label="train_acc")
axes[1].plot(val_acc, label="val_acc")
axes[1].legend(loc='best')
axes[1].set_xlabel('iterations')
axes[1].set_ylabel('accuracy')
axes[1].set_xlim(left=0)
axes[1].set_ylim(top=1)
axes[0].yaxis.set_minor_locator(ticker.MultipleLocator(0.0625))
axes[0].yaxis.set_major_locator(ticker.MultipleLocator(0.25))
axes[1].yaxis.set_minor_locator(ticker.MultipleLocator(0.015625))
axes[1].yaxis.set_major_locator(ticker.MultipleLocator(0.0625))
fig.suptitle(self.file_name)
for ax in axes:
ax.xaxis.set_major_locator(ticker.MultipleLocator(5))
ax.xaxis.set_minor_locator(ticker.MultipleLocator(1))
ax.tick_params(axis='x',
which='major',
labelsize=6,
direction='out',
labelrotation=77)
ax.tick_params(axis='y',
which='major',
labelsize=8,
direction='out',
labelrotation=15)
ax.tick_params(axis='both',
which='minor',
grid_alpha=0.3,
direction='out')
ax.grid(which='major',
color='darkcyan')
ax.minorticks_on()
ax.grid(which='minor',
color='lightseagreen')
fig.savefig(path)
plt.show()
def save_history(self, file_name=None):
"""
Сохраняет историю обучения.
:param file_name: Имя файла для сохранеия истории,
если не передано, будет взято имя,
переданное в конструктор класса
"""
if file_name is None:
file_name = self.file_name
with open('histories/' + file_name + '.pickle', 'wb') as file:
torch.save(self.history, file)
def get_history(self, file_name=None):
"""
:param file_name: Имя файла для загрузки истории,
если не передано, будет взято имя,
переданное в конструктор класса
:return:
"""
if file_name is None:
file_name = self.file_name
if self.history is None or self.history == []:
with open('histories/' + file_name + '.pickle', 'rb') as file:
self.history = torch.load(file)
return self.history
def predict_one_sample(self, inputs):
"""Предсказание для одной картинки"""
with torch.no_grad():
inputs = inputs.to(self.device)
self.model.eval()
logit = self.model(inputs).cpu()
probs = torch.nn.functional.softmax(logit, dim=-1).numpy()
return probs
def draw_prediction(self, num=None, type_='val'):
"""Отрисовка предсказаний"""
label_encoder = pickle.load(open("data/label_encoder.pkl", 'rb'))
fig, ax = plt.subplots(figsize=(7, 7))
if type_ == 'val':
dataset = self.val_dataset
if num is None:
num = int(np.random.randint(0, len(dataset)))
image, label = dataset[num]
label = label_encoder.classes_[label]
elif type_ == 'test':
dataset = self.test_dataset
if num is None:
num = int(np.random.randint(0, len(dataset)))
image = dataset[num].cpu()
label = 'Unknown'
else:
raise NameError
prediction = self.predict_one_sample(image.unsqueeze(0))
predicted_probability = np.max(prediction) * 100
predicted_class = np.argmax(prediction)
predicted_label = label_encoder.classes_[predicted_class]
print(f'True class is {label},\n'
f'Predicted class is {predicted_label}\n'
f"I'm sure for {predicted_probability}%")
image = image.numpy().transpose((1, 2, 0))
mean = np.array([0.485, 0.456, 0.406])
std = np.array([0.229, 0.224, 0.225])
image = std * image + mean
image = np.clip(image, 0, 1)
ax.imshow(image)
plt.show()