Pytorchでcifar10画像分類。Colabで
前回はpytorchチュートリアルを参考にcifar10でのクラス分類をUbuntu18のノートPC上で実施してみましたが、実際に使える学習データを作るにはやっぱGPUが必要なわけですが、アマチュアには予算、スペース的に厳しいわけです。。
そこで最近話題のGoogle様がリリースした新サービスColab上にて私もGPUで学習したいと思い試してみました。これ前回の記事です。
Colabを使う上でよく理解しとかないといけないのが「１２時間ルール」ですよね（２０２０年３月での状況です）。仮想マシンがリセットされると。マシンがリセットされる、というのは実際使ってみると分かるのですが、完全にOSが初期化されちゃう、ってことですよね。例えばpipコマンドでインストールしたパッケージなんかも全部無くなっちゃうと。自分で追加したコードも全部無くなっちゃいます。ちなみにpytorchはデフォルトでインストールされてますので、バージョンにこだわりがなければそのまま使えますね。
pipでインストールしたものが消えるならまた入れればよいのですが、自分で作ったものが消えちゃったりしたら悲劇ですので、気を付けてください。。
ですので現状使い方としては、仮想マシンからGoogleDriveをマウント出来ますので、ある程度pythonファイルをパッケージ対応をしておいてGoogleDriveに置いて、実行するColabファイルにてsys.path.appendでパスを付けといて、仮想マシン上で実行する、という流れになりますね。Colabファイル自体もGoogleDrive上に保存しますが、実行すると仮想マシン上に自動でロードされる感じでしょうか。
早速やってみます。
前回同様ファイルは３枚ですが(model.py,train.py,test.py)、パッケージに対応＆GoogleDrive＆仮想PCで絶対パスを渡したいので、ちょっと手を加えています。あとGPU対応ですね。冗長ですが上げときます。
GoogleColabに上げる前にパッケージとして動作するか、ローカル環境でJupyterNotebookで試すと良いですが、ここでは省略です。
#model.py
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
#train.py
import torch
import torchvision
import torchvision.transforms as transforms
import torch.optim as optim
import torch.nn as nn
from . import model
def run(hozonsaki):
device = 'cuda' if torch.cuda.is_available() else 'cpu'
net = model.Net().to(device)
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data
inputs=inputs.to(device)
labels=labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
PATH = hozonsaki+'/cifar_net.pth'
torch.save(net.state_dict(), PATH)
#test.py
import torch
import torchvision
import torchvision.transforms as transforms
from . import model
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
def run(hozonsaki):
PATH = hozonsaki+'/cifar_net.pth'
device = 'cuda' if torch.cuda.is_available() else 'cpu'
net = model.Net().to(device)
net.load_state_dict(torch.load(PATH))
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
dataiter = iter(testloader)
images, labels = dataiter.next()
# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
images=images.to(device)
labels=labels.to(device)
outputs = net(images)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
前回とほとんど変更はないのですが、大事そうな変更点です。。
import modelから
from . import modelです。implicit relative import からexplicit relative importに変更してあります。パッケージ内ではimplicit relative import が使えません。
あとはcuda利用する点ですね。
device = 'cuda' if torch.cuda.is_available() else 'cpu'でモデルとデータにcuda対応ですね。
net = model.Net().to(device)
inputs=inputs.to(device)
labels=labels.to(device)GoogleDriveにアップする
以上の３ファイルをGoogleDriveにアップしてみます。以下のような構成でアップしました。
実際は実行後なのでキャッシュが残ってますがご容赦ください。
でこれらを呼び出すColabファイル（JupyterNotebookファイル）を作成します。
train.pyを呼び出すファイルCallTestCifarTest.ipynbとtest.pyを呼び出すCallTestCifarTest.ipynbです。まあテストはあまりColabでやる意味はないですが、一応やってみます。
Colabで学習部分を呼び出してみる。
.ipynbファイルを開くと左側に仮想マシンのディレクトが見えますね。ここに「Mount Drive」ボタンがありますので、これをマウントすると仮想マシンからGoogleDriveが見えます。
このように先程作ったファイルがみえますね。
.ipynbファイルを作る前にGPUを有効にしといたほうがよいですね。「Runtime」ｰ>「Change runtime type」でCPU(None),GPU,TPUが選べますね。ここではGPUです。それぞれの.ipynbファイルで設定してやらないとダメみたいですね。
JupyterNotebookファイル
パッケージへの絶対パスはここでは’/content/drive/My Drive/CifarTest’になります。
以下呼び出し用の.ipynbファイルです。
#CallTrainCifarTest.ipynb
import sys
sys.path.append('/content/drive/My Drive/CifarTest')
from CifarTest.train import run
run('/content/drive/My Drive/CifarTest')実行するとこんなですね。
無事終わるとGoogleDriveに学習済みファイルが出来ているかと思います。
/content/drive/My Drive/CifarTest/cifar_net.pth
推論も同様に動くか試してみます。
#CallTestCifarTest.ipynb
import sys
sys.path.append('/content/drive/My Drive/CifarTest')
from CifarTest.test import run
run('/content/drive/My Drive/CifarTest')
となんとか動作するのではと思いますが、どうでしょうか。
GoogleDriveｰ>仮想マシンへの更新は即時ではない
GoogleDrive内ファイルのパッケージを変更しても、仮想マシンへの反映がすぐではありませんね。間違いないのは「Restart Runtime」や「Factory Reset Runtime」を試せば更新されるようです。