【PyTorchチュートリアル④】TRAINING A CLASSIFIER

はじめに

前回に引き続き、PyTorch 公式チュートリアル の第4弾です。
今回は TRAINING A CLASSIFIER を進めます。

クラス分類の学習

前回は、ニューラルネットワークを定義して損失を計算し、ネットワークの重みを更新する方法を見ました。
今回は画像データを利用して、分類問題について見ていきます。
PyTorch には 画像データを扱うためのライブラリ torchvision が用意されています。
torchvision には Imagenet、CIFAR-10、MNISTなどの基本的な画像データセットもあらかじめ用意されています。
このチュートリアルでは CIFAR-10 のデータセットを使用します。

CIFAR-10

CIFAR-10 は 32x32 ピクセルのカラー画像でRGBの3チャネルあり、（3,32,32）の形状になっています。
クラスは「飛行機」、「自動車」、「鳥」、「猫」、「鹿」、 「犬」、「カエル」、「馬」、「船」、「トラック」の10種類にラベル分けされています。

画像分類の学習

CIFAR-10 を利用して学習の流れを見ていきましょう。
画像をクラス分けする学習は、次の手順を順番に実行します。

1. torchvisionを使用してCIFAR10トレーニングおよびテストデータセットを読み込み、正規化する
2. 畳み込みニューラルネットワークの定義
3. 損失関数と最適化アルゴリズムを定義する
4. トレーニングデータで学習する
5. テストデータで学習した結果を確認する

1 . CIFAR-10 の読み込みと正規化

PyTorchでデータを読み込むには Dataset と DataLoader を使うと便利です。
Dataset は画像と正解ラベル（1つの学習データ）を保持します。
DataLoader 学習データ（テストデータ）を繰り返し取得するためのユーティリティです。

import torch
import torchvision
import torchvision.transforms as transforms

# transform の定義
# ToTensor で Tensorに変換し
# 標準化 ( X - 0.5) / 0.5 
transform = transforms.Compose([
     transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# トレーニング用データセット
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)

# トレーニング用データローダ
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=False, num_workers=2)

# テスト用データセット
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)

# テスト用データローダ
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

# クラス分類の一覧
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

先ず、transform でデータセットの変換方法を設定しています。
Compose は複数の変換を順に繋げます。
ここでは、ToTensor と Normalize を実行しています。
ToTensor は画像データを Tensor に変換します。ToTensor では、RGBの値は [0, 1] の fload 型で表されます。
Normalize で ( X - 0.5) / 0.5 を計算し、RGBの範囲を [-1, 1] に変換しています。

以下のコードで一部の画像が表示されます。
trainloader の batch_size が 4 ですので4つの画像がまとめて処理されます。

import matplotlib.pyplot as plt
import numpy as np

# 画像を表示する関数
def imshow(img):
    img = img / 2 + 0.5     # 標準化を戻す
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))


# トレーニングデータから画像を取得する（ランダム）
dataiter = iter(trainloader)
images, labels = dataiter.next()

# 画像を表示
imshow(torchvision.utils.make_grid(images))
# ラベルを表示
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

frog truck truck deer

2 . 畳み込みニューラルネットワークの定義

前回のニューラルネットワークのチュートリアルからニューラルネットワークをコピーし、3チャネルの画像（定義されていた1チャネルの画像ではなく）を取得するように変更します。

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

3 . 損失関数と最適化アルゴリズムを定義する

分類問題では、主に損失関数は交差エントロピー誤差関数を利用します。
二値分類問題では、torch.nn.BCEWithLogitsLoss
多クラス分類問題では、torch.nn.CrossEntropyLoss
がよく利用されます。
今回は10個のラベル分類（多クラス分類）ですので、CrossEntropyLoss を利用します。
最適化アルゴリズムは、最も基本的な「確率的勾配降下法」(SGD) にします。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

4 . トレーニングデータで学習する

データローダをループし、トレーニングデータをネットワークに流してパラメータを最適化します。

for epoch in range(2):  # エポック数回分ループ

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # トレーニングデータを取得する
        inputs, labels = data

        # 勾配を初期化する
        optimizer.zero_grad()

        # ニューラルネットワークにデータを通し、順伝播を計算する
        outputs = net(inputs)
        # 誤差の計算
        loss = criterion(outputs, labels)
        # 逆伝播の計算
        loss.backward()
        # 重みの計算
        optimizer.step()

        # 状態を表示する
        running_loss += loss.item()
        if i % 2000 == 1999:    # 2,000 データずつ
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

2分ほどで学習が完了します。

[1,  2000] loss: 2.153
[1,  4000] loss: 1.830
[1,  6000] loss: 1.654
[1,  8000] loss: 1.556
[1, 10000] loss: 1.524
[1, 12000] loss: 1.511
[2,  2000] loss: 1.441
[2,  4000] loss: 1.380
[2,  6000] loss: 1.384
[2,  8000] loss: 1.358
[2, 10000] loss: 1.335
[2, 12000] loss: 1.320
Finished Training

5 . テストデータで学習した結果を確認する

学習した結果をテストデータで確認します。
テストデータの一部を見てみましょう。

dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('教師データ: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

教師データ: cat ship ship plane

この4つの画像を学習したモデル（分類器）がどう判定するか見てみます。
学習したネットワークにテストデータを渡すと、結果が返ってきます。

outputs = net(images)
print(outputs[0,:])

tensor([-1.0291, -3.1352,  0.5837,  3.7728, -1.3638,  3.4090,  0.4094,  0.3352,
        -0.6388, -1.4808], grad_fn=<SliceBackward>)

output には各ラベル（10個）の重みが返却されます。

_, predicted = torch.max(outputs, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))

max で最大のインデックスを取得します。
max の返却値を2つ指定した場合、1つ目に最大値が、2つ目に最大値のインデックスが返却されます。

Predicted:    cat  ship  ship plane

教師データと一致することが確認できました。

テストデータ全体で結果を確認してみましょう。

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

Accuracy of the network on the 10000 test images: 52 %

テストデータ 1万件で正解率は 52% でした。
学習できていない場合、1/10 （10%）なので何かは学習できてはいますが、あまり精度は高くありません。
ラベルごとに正解率を見てみます。

class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs, 1)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i].item()
            class_total[label] += 1


for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))

Accuracy of plane : 65 %
Accuracy of   car : 51 %
Accuracy of  bird : 33 %
Accuracy of   cat : 22 %
Accuracy of  deer : 39 %
Accuracy of   dog : 64 %
Accuracy of  frog : 66 %
Accuracy of horse : 70 %
Accuracy of  ship : 53 %
Accuracy of truck : 61 %

cat など、あまり学習できていないケースがあるようです。

GPUでの学習

最後に GPU での学習を見ていきます。
GPUが利用できる環境の場合、ニューラルネットワークの学習に GPU を利用することができます。
Google Colaboratory を利用している場合、「ランタイム」⇒「ランタイムのタイプを変更」⇒「GPU」を選択することで GPU を利用することができます。

以下のコードで GPU の利用を確認できます。

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Assume that we are on a CUDA machine, then this should print a CUDA device:
print(device)

device に「cuda」であれば GPU を利用できます。
GPU を利用する場合、モデルを GPU に転送するコードを記述する必要があります。

net.to(device)

同様に 学習データも GPU に転送する必要があります。

inputs, labels = inputs.to(device), labels.to(device)

Google Colaboratory でこのチュートリアルの学習にかかった時間を確認したところ
GPUを利用しなかった場合：2分10秒
GPUを利用した場合：1分40秒
でした。
学習用データの次元がそこまで複雑でない場合、効果は薄いようです。

#終わりに

以上が、PyTorch の4つ目のチュートリアル「TRAINING A CLASSIFIER」の内容です。
学習の基本的な流れを理解することができました。

次回は5つ目のチュートリアル「LEARNING PYTORCH WITH EXAMPLES」を進めてみたいと思います。

#履歴
2020/04/29 初版公開
2020/10/21 次回のリンク追加