训练代码

以下是训练代码，直接复制到每一个代码框，按照顺序运行就可以了。

# 下载提交数据的工具!wget -nv -O kesci_submit https://cdn.kesci.com/submit_tool/v1/kesci_submit&&chmod +x kesci_submit

• 1
• 2
  

# 查看个人持久化工作区文件!ls /home/kesci/work/

• 1
• 2
  

# 删除训练数据列表!rm -rf /home/kesci/work/first_round_train/

• 1
• 2
  

# 查看图片import matplotlib.pyplot as pltimg = plt.imread('/mnt/datasets/WebFace/first_round/first_round_train/1505375/016.jpg')plt.figure(1)plt.imshow(img)plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
  

# 查看PaddlePaddle版本!paddle version

• 1
• 2
  

# 生成图像列表程序import osimport jsonclass CreateDataList:    def __init__(self):        pass    def createTrainDataList(self, data_root_path):        # # 把生产的数据列表都放在自己的总类别文件夹中        data_list_path = ''        # 所有类别的信息        class_detail = []        # 获取所有类别        class_dirs = os.listdir(data_root_path)        # 类别标签        class_label = 0        # 获取总类别的名称        father_paths = data_root_path.split('/')        while True:            if father_paths[father_paths.__len__() - 1] == '':                del father_paths[father_paths.__len__() - 1]            else:                break        father_path = father_paths[father_paths.__len__() - 1]        all_class_images = 0        # 读取每个类别        for class_dir in class_dirs:            # 每个类别的信息            class_detail_list = {}            test_sum = 0            trainer_sum = 0            # 把生产的数据列表都放在自己的总类别文件夹中            data_list_path = "/home/kesci/work/%s/" % father_path            # 统计每个类别有多少张图片            class_sum = 0            # 获取类别路径            path = data_root_path + "/" + class_dir            # 获取所有图片            img_paths = os.listdir(path)            for img_path in img_paths:                # 每张图片的路径                name_path = path + '/' + img_path                # 如果不存在这个文件夹,就创建                isexist = os.path.exists(data_list_path)                if not isexist:                    os.makedirs(data_list_path)                # 每10张图片取一个做测试数据                trainer_sum += 1                with open(data_list_path + "trainer.list", 'a') as f:                    f.write(name_path + "\t%d" % class_label + "\n")                class_sum += 1                all_class_images += 1            class_label += 1            # 说明的json文件的class_detail数据            class_detail_list['class_name'] = class_dir            class_detail_list['class_label'] = class_label            class_detail_list['class_test_images'] = test_sum            class_detail_list['class_trainer_images'] = trainer_sum            class_detail.append(class_detail_list)        # 获取类别数量        all_class_sum = class_dirs.__len__()        # 说明的json文件信息        readjson = {}        readjson['all_class_name'] = father_path        readjson['all_class_sum'] = all_class_sum        readjson['all_class_images'] = all_class_images        readjson['class_detail'] = class_detail        jsons = json.dumps(readjson, sort_keys=True, indent=4, separators=(',', ': '))        with open(data_list_path + "readme.json",'w') as f:            f.write(jsons)if __name__ == '__main__':    createDataList = CreateDataList()    createDataList.createTrainDataList('/mnt/datasets/WebFace/first_round/first_round_train/')

• 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
  

# 把图像和label读取成readerfrom multiprocessing import cpu_countimport paddle.v2 as paddleclass MyReader:    def __init__(self,imageSize):        self.imageSize = imageSize    def train_mapper(self,sample):        '''        map image path to type needed by model input layer for the training set        '''        img, label = sample        img = paddle.image.load_image(img)        img = paddle.image.simple_transform(img, int(self.imageSize * 1.2), self.imageSize, True)        return img.flatten().astype('float32'), label    def test_mapper(self,sample):        '''        map image path to type needed by model input layer for the test set        '''        img, label = sample        img = paddle.image.load_image(img)        img = paddle.image.simple_transform(img, int(self.imageSize * 1.2), self.imageSize, False)        return img.flatten().astype('float32'), label    def train_reader(self,train_list, buffered_size=1024):        def reader():            with open(train_list, 'r') as f:                lines = [line.strip() for line in f]                for line in lines:                    img_path, lab = line.strip().split('\t')                    yield img_path, int(lab)        return paddle.reader.xmap_readers(self.train_mapper, reader,                                          cpu_count(), buffered_size)    def test_reader(self,test_list, buffered_size=1024):        def reader():            with open(test_list, 'r') as f:                lines = [line.strip() for line in f]                for line in lines:                    img_path, lab = line.strip().split('\t')                    yield img_path, int(lab)        return paddle.reader.xmap_readers(self.test_mapper, reader,                                          cpu_count(), buffered_size)

• 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
  

# 定义网络import paddle.v2 as paddle# ***********************定义VGG卷积神经网络模型***************************************def vgg_bn_drop(datadim, type_size):    # 获取输入数据模式    image = paddle.layer.data(name="image",                              type=paddle.data_type.dense_vector(datadim))    def conv_block(ipt, num_filter, groups, dropouts, num_channels=None):        return paddle.networks.img_conv_group(            input=ipt,            num_channels=num_channels,            pool_size=2,            pool_stride=2,            conv_num_filter=[num_filter] * groups,            conv_filter_size=3,            conv_act=paddle.activation.Relu(),            conv_with_batchnorm=False,            conv_batchnorm_drop_rate=dropouts,            pool_type=paddle.pooling.Max())    conv1 = conv_block(image, 64, 2, [0.3, 0], 3)    conv2 = conv_block(conv1, 128, 2, [0.4, 0])    conv3 = conv_block(conv2, 256, 3, [0.4, 0.4, 0])    conv4 = conv_block(conv3, 512, 3, [0.4, 0.4, 0])    conv5 = conv_block(conv4, 512, 3, [0.4, 0.4, 0])    drop = paddle.layer.dropout(input=conv5, dropout_rate=0.5)    # 这里修改成了Relu    fc1 = paddle.layer.fc(input=drop, size=512, act=paddle.activation.Relu())    bn = paddle.layer.batch_norm(input=fc1,                                 act=paddle.activation.Relu(),                                 layer_attr=paddle.attr.Extra(drop_rate=0.5))    # 这里修改成了Relu    fc2 = paddle.layer.fc(input=bn, size=512, act=paddle.activation.Relu())    # 通过Softmax获得分类器    out = paddle.layer.fc(input=fc2,                          size=type_size,                          act=paddle.activation.Softmax())    return fc2, out

• 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
  

# 训练代码import osimport sysimport paddle.v2 as paddlefrom paddle.v2.plot import Ploterstep = 0class PaddleUtil:    # **********************获取参数***************************************    def get_parameters(self, parameters_path=None, cost=None):        if not parameters_path:            # 使用cost创建parameters            if not cost:                raise NameError('请输入cost参数')            else:                # 根据损失函数创建参数                parameters = paddle.parameters.create(cost)                print "cost"                return parameters        else:            # 使用之前训练好的参数            try:                # 使用训练好的参数                with open(parameters_path, 'r') as f:                    parameters = paddle.parameters.Parameters.from_tar(f)                print "使用parameters"                return parameters            except Exception as e:                raise NameError("你的参数文件错误,具体问题是:%s" % e)    # ***********************获取训练器***************************************    # datadim 数据大小    def get_trainer(self, datadim, type_size, parameters_path, batch_size):        # 获得图片对于的信息标签        label = paddle.layer.data(name="label",                                  type=paddle.data_type.integer_value(type_size))        # 获取全连接层,也就是分类器        fea, out = vgg_bn_drop(datadim=datadim, type_size=type_size)        # 获得损失函数        cost = paddle.layer.classification_cost(input=out, label=label)        # 获得参数        if not parameters_path:            parameters = self.get_parameters(cost=cost)        else:            parameters = self.get_parameters(parameters_path=parameters_path)        '''        定义优化方法        learning_rate 迭代的速度        momentum 跟前面动量优化的比例        regularzation 正则化,防止过拟合        '''        optimizer = paddle.optimizer.Momentum(            momentum=0.9,            regularization=paddle.optimizer.L2Regularization(rate=0.0005 * batch_size),            learning_rate=0.00001 / batch_size,            learning_rate_decay_a=0.1,            learning_rate_decay_b=128000 * 35,            learning_rate_schedule="discexp", )        '''        创建训练器        cost 分类器        parameters 训练参数,可以通过创建,也可以使用之前训练好的参数        update_equation 优化方法        '''        trainer = paddle.trainer.SGD(cost=cost,                                     parameters=parameters,                                     update_equation=optimizer)        return trainer    # ***********************开始训练***************************************    def start_trainer(self, trainer, num_passes, save_parameters_name, trainer_reader, batch_size):        # 获得数据        reader = paddle.batch(reader=paddle.reader.shuffle(reader=trainer_reader,                                                           buf_size=5000),                              batch_size=batch_size)        # 保证保存模型的目录是存在的        father_path = save_parameters_name[:save_parameters_name.rfind("/")]        if not os.path.exists(father_path):            os.makedirs(father_path)        # 指定每条数据和padd.layer.data的对应关系        feeding = {"image": 0, "label": 1}        train_title = "Train cost"        error_title = "Error"        cost_ploter = Ploter(train_title, error_title)        # 定义训练事件,画出折线图,该事件的图可以在notebook上显示，命令行不会正常输出        def event_handler_plot(event):            global step            if isinstance(event, paddle.event.EndIteration):                if step % 1 == 0:                    cost_ploter.append(train_title, step, event.cost)                    # cost_ploter.append(error_title, step, event.metrics['classification_error_evaluator'])                    cost_ploter.plot()                step += 1                if step % 100 == 0:                    # 保存训练好的参数                    with open(save_parameters_name, 'w') as f:                        trainer.save_parameter_to_tar(f)        '''        开始训练        reader 训练数据        num_passes 训练的轮数        event_handler 训练的事件,比如在训练的时候要做一些什么事情        feeding 说明每条数据和padd.layer.data的对应关系        '''        trainer.train(reader=reader,                      num_passes=num_passes,                      event_handler=event_handler_plot,                      feeding=feeding)if __name__ == '__main__':    paddle.init(use_gpu=False, trainer_count=4)    # 类别总数    type_size = 1036    # 图片大小    imageSize = 224    # Batch Size    batch_size = 32    # 总的分类名称    all_class_name = 'face'    # 保存的model路径    parameters_path = "/home/kesci/work/model/model.tar"    # 数据的大小    datadim = 3 * imageSize * imageSize    # 训练的pass    num_passes = 100    paddleUtil = PaddleUtil()    # *******************************开始训练**************************************    myReader = MyReader(imageSize=imageSize)    # 获取训练器    trainer = paddleUtil.get_trainer(datadim=datadim, type_size=type_size,                                      parameters_path=None, batch_size=batch_size)    trainer_reader = myReader.train_reader(train_list="/home/kesci/work/first_round_train/trainer.list")    paddleUtil.start_trainer(trainer=trainer, num_passes=num_passes, save_parameters_name=parameters_path,                             trainer_reader=trainer_reader, batch_size=batch_size)

• 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
  

预测

这个是预测代码，不要跟上的同时运行，因为不能重复初始化paddlepaddle。在提交结果代码中要写上自己的token。

# 定义网络import paddle.v2 as paddle# ***********************定义VGG卷积神经网络模型***************************************def vgg_bn_drop(datadim, type_size):    # 获取输入数据模式    image = paddle.layer.data(name="image",                              type=paddle.data_type.dense_vector(datadim))    def conv_block(ipt, num_filter, groups, dropouts, num_channels=None):        return paddle.networks.img_conv_group(            input=ipt,            num_channels=num_channels,            pool_size=2,            pool_stride=2,            conv_num_filter=[num_filter] * groups,            conv_filter_size=3,            conv_act=paddle.activation.Relu(),            conv_with_batchnorm=False,            conv_batchnorm_drop_rate=dropouts,            pool_type=paddle.pooling.Max())    conv1 = conv_block(image, 64, 2, [0.3, 0], 3)    conv2 = conv_block(conv1, 128, 2, [0.4, 0])    conv3 = conv_block(conv2, 256, 3, [0.4, 0.4, 0])    conv4 = conv_block(conv3, 512, 3, [0.4, 0.4, 0])    conv5 = conv_block(conv4, 512, 3, [0.4, 0.4, 0])    drop = paddle.layer.dropout(input=conv5, dropout_rate=0.5)    # 这里修改成了Relu    fc1 = paddle.layer.fc(input=drop, size=512, act=paddle.activation.Relu())    bn = paddle.layer.batch_norm(input=fc1,                                 act=paddle.activation.Relu(),                                 layer_attr=paddle.attr.Extra(drop_rate=0.5))    # 这里修改成了Relu    fc2 = paddle.layer.fc(input=bn, size=512, act=paddle.activation.Relu())    # 通过Softmax获得分类器    out = paddle.layer.fc(input=fc2,                          size=type_size,                          act=paddle.activation.Softmax())    return fc2, out

• 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
  

# 预测代码import numpy as npimport paddle.v2 as paddleimport osimport mathfrom sklearn import preprocessing# **********************获取参数***************************************def get_parameters(parameters_path):    with open(parameters_path, 'r') as f:        parameters = paddle.parameters.Parameters.from_tar(f)    return parametersdef get_inference(parameters, fea):    inferer = paddle.inference.Inference(output_layer=fea, parameters=parameters)    return inferer# Python实现正态分布def gaussian(sigma, x, u):    y = np.exp(-(x - u) ** 2 / (2 * sigma ** 2)) / (sigma * math.sqrt(2 * math.pi))    return y# ***********************使用训练好的参数进行预测***************************************def to_prediction(inferer, image_paths, imageSize):    # 获得要预测的图片    test_data = []    for image_path in image_paths:        test_data.append((paddle.image.load_and_transform(image_path, 224, imageSize, False)                          .flatten().astype('float32'),))    # 获得预测结果    probs = inferer.infer(input=test_data)    prob1 = probs[0]    prob2 = probs[1]    # 欧几里得距离    dist = np.sqrt(np.sum(np.square(prob1 - prob2)))    dist = 1/(1+dist)    print dist    return distif __name__ == '__main__':    paddle.init(use_gpu=False, trainer_count=4)    # 类别总数    type_size = 1036    # 图片大小    imageSize = 224    # 保存的model路径    parameters_path = "/home/kesci/work/model/model.tar"    # 数据的大小    datadim = 3 * imageSize * imageSize    # 获取预测器    parameters = get_parameters(parameters_path=parameters_path)    fea, out = vgg_bn_drop(datadim=datadim, type_size=type_size)    inferer = get_inference(parameters=parameters, fea=fea)    # *******************************开始预测**************************************    # 添加数据    images_list = []    with open("/mnt/datasets/WebFace/first_round/first_round_pairs_id.txt", "r") as f_images_lit:        images_list = f_images_lit.readlines()        del images_list[0]    with open("/home/kesci/work/mysubmission.csv", "w") as f_result:        f_result.write("submit_pairsID,prob\n")        for i in range(len(images_list)):            print("============================================================================")            image_path = []            image_path1, image_path2 = images_list.replace("\n", "").split('_')            image_path.append("/mnt/datasets/WebFace/first_round/first_round_test/%s.jpg" % image_path1)            image_path.append("/mnt/datasets/WebFace/first_round/first_round_test/%s.jpg" % image_path2)            result = to_prediction(inferer=inferer, image_paths=image_path, imageSize=imageSize)            result_text = images_list.replace("\n", "") + "," + str(result) + "\n"            f_result.write(result_text)            print result_text

• 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
  

# 提交结果!./kesci_submit -token 你的token -file mysubmission.csv

• 1
• 2
  

注意

这个模型存在梯度爆炸的问题，笔者一直解决不了，如果读者解决这个问题了，希望告知一下笔者，谢谢。

奈斯