【PyTorch】PyTorch Lightningでファインチューニングする方法【Google Colaboratoryを使用】

# pytorch_lightningのインストール
!pip install pytorch_lightning 

# pytorch関係
mport torch, torchvision
import torch.nn as nn
import torch.nn.functional as F
from torchvision import transforms
import pytorch_lightning as pl
from pytorch_lightning import Trainer

# フォルダ内のデータ読込で使用
from PIL import Image
import glob

# 画像読み取り
fold_path = './imgs/'
imgs = []
for imgs_path in glob.glob(fold_path + '*'):
    imgs.append(glob.glob(imgs_path + '/*'))

# 学習済みモデル「ResNet18」をインポート
from torchvision.models import resnet18

# 学習済みモデル「ResNet18」をダウンロード
resnet = resnet18(pretrained=True)

transform = transforms.Compose([
    # 224×224にリサイズ
    transforms.Resize((224, 224)),
    # torch.Tensor型に変換
    transforms.ToTensor(),
    # 学習済みモデルで使われる平均と標準偏差で標準化
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

labels = []
img_datas = torch.tensor([])

# 画像データを配列に格納
# torch型に変更
for i,imgs_arr in enumerate(imgs):
    
    for img_path in imgs_arr:
        # ラベルを追加
        labels.append(i)

        # imgデータ（PIL型）の取得
        img = Image.open(img_path)

        # imgデータの前処理
        tensor_img = transform(img)

        # バッチサイズを追加: バッチサイズ, チャンネル, 高さ、幅
        tensor_img = tensor_img.unsqueeze(0)

        # torch.tensorのappend
        img_datas = torch.cat([img_datas, tensor_img],dim=0)

# データセット化
datasets = torch.utils.data.TensorDataset(img_datas, labels)

# 訓練:検証 = 85% : 15%
n_train = int(len(datasets) * 0.85)
n_val = len(datasets) - n_train

# 擬似乱数のシード固定
torch.manual_seed(0)

# データセットを訓練用、検証用で分割
train,val = torch.utils.data.random_split(datasets,[n_train,n_val])

# 訓練用のクラス
class TrainNet(pl.LightningModule):
    @pl.data_loader
    def train_dataloader(self):
        # ミニバッチ
        return torch.utils.data.DataLoader(train, self.batch_size,shuffle=True)
    
    def training_step(self, batch, batch_nb):
        # 入力と目標値を分割
        x, t = batch
        y = self.forward(x)
        loss = self.lossfun(y, t)
        results = {'loss': loss}
        return results

# 検証用のクラス
class ValidationNet(pl.LightningModule):

    @pl.data_loader
    def val_dataloader(self):
        return torch.utils.data.DataLoader(val, self.batch_size)

    def validation_step(self, batch, batch_nb):
        x, t = batch
        y = self.forward(x)
        loss = self.lossfun(y, t)
        y_label = torch.argmax(y, dim=1)
        acc = torch.sum(t == y_label) * 1.0 / len(t)
        results = {'val_loss': loss, 'val_acc': acc}
        return results

    def validation_end(self, outputs):
        avg_loss = torch.stack([x['val_loss'] for x in outputs]).mean()
        avg_acc = torch.stack([x['val_acc'] for x in outputs]).mean()
        results =  {'val_loss': avg_loss, 'val_acc': avg_acc}
        return results

# 学習用の全体のクラス
# 訓練用、検証用を継承
class FineTuningNet(TrainNet, ValidationNet):

    # データ数が少ないのでbatch_sizeは大きめ
    def __init__(self, batch_size=256):
        super().__init__()
        self.batch_size = batch_size
        # 畳み込みの部分は学習済みモデルを活用
        self.conv = resnet18(pretrained=True)
        # 全結合層は1000 => 100 => 3
        # 1000はresnet18の仕様
        # 3は分類数（かしゆか、のっち、あーちゃん）
        self.fc1 = nn.Linear(1000, 100)
        self.fc2 = nn.Linear(100, 3)

        # 学習済みのパラメータを固定
        for param in self.conv.parameters():
            param.requires_grad = False

    def lossfun(self, y, t):
        return F.cross_entropy(y, t)

    def configure_optimizers(self):
        return torch.optim.SGD(self.parameters(), lr=0.01)

    def forward(self, x):
        x = self.conv(x)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        return x

# 再現性の確保
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

# 学習
fine_net = FineTuningNet()
trainer = Trainer(gpus=1, max_epochs=300)
trainer.fit(fine_net)

trainer.callback_metrics

>>{'epoch': 299,
 'loss': 0.017820697277784348,
 'val_acc': 0.9122806787490845,
 'val_loss': 0.21298980712890625}

# unsqueeze：バッチサイズ1を追加
# cuda:GPUなので必要
x = val[0][0].unsqueeze(0).cuda()

# モデルモードを学習→推論に変更
fine_net.eval()
fine_net.freeze()

F.softmax(fine_net(x)), val[0][1]

>> (tensor([[9.9845e-01, 7.9624e-05, 1.4681e-03]], device='cuda:0'), tensor(0))

# 学習済みモデルの保存
torch.save(fine_net.state_dict(), 'fine.pt')

# モデルの定義
fien_net_pred = FineTuningNet()

# 推論モード
fien_net_pred.eval()
fien_net_pred.freeze()

# 重みの読み込み
fien_net_pred.load_state_dict(torch.load('fine.pt'))

# サイズ確認
x = train[0][0].unsqueeze(0) 
y_predict = fien_net_pred(x)
F.softmax(y_predict), train[0][1]

>> (tensor([[3.2377e-05, 9.5373e-01, 4.6236e-02]]), tensor(1))