教你使用Keras on Google Colab微調深度神經網路

作者：LONG ANG

翻譯：閆曉雨

校對：丁楠雅

本文約2300字，建議閱讀7分鐘。

本文將指導您如何使用Google上的Keras微調VGG-16網路。

簡介

在CPU上訓練深度神經網路很困難。本教程將指導您如何使用Google Colaboratory上的Keras微調VGG-16網路，這是一個免費的GPU雲平台。如果您是Google Colab的新手，這是適合您的地方，您將了解到：

如何在Colab上創建您的第一個Jupyter筆記本並使用免費的GPU。

如何在Colab上上傳和使用自定義數據集。

如何在前景分割域中微調Keras預訓練模型（VGG-16）。

現在，讓我們開始！

1. 創建您的第一個Jupyter筆記本

假定您已登錄自己的Google帳戶。請按以下步驟操作：

恭喜！！！您已經在Colab上創建了您的第一個筆記本

2. 為筆記本設置GPU加速器

在筆記本中，選擇Runtime > Change runtime type。將彈出一個窗口。然後選擇您的運行時間類型，從硬體加速器下拉菜單中選擇GPU並保存您的設置，如下圖所示：

3. 將您的自定義數據集上傳到Colab

您已將筆記本設置為在GPU上運行。現在，讓我們將您的數據集上傳到Colab。在本教程中，我們處理前景分割，其中前景對象是從背景中提取的，如下圖所示：

圖像來自changedetection.net

將數據集上傳到Colab有幾種選擇，但是，我們在本教程中考慮兩個選項；首先，我們上傳到GitHub並從中克隆到Colab，其次，我們上傳到Google雲端硬碟並直接在我們的筆記本中使用它。您可以選擇任一選項 a或選項b如下：

步驟a. 從GitHub克隆

讓我們將數據集克隆到創建的筆記本上。在您的筆記本中運行：

!git clone https://github.com/lim-eren/CDnet2014.git.

您會看到這樣的東西：

完成！讓我們列出訓練集，看它是否有效：

開始了！訓練集包含25個輸入幀和25個地面真實幀。如果您已完成此步驟，可略過步驟b並跳轉到第4節。

步驟b. 從Google雲盤下載

另一種方法是將數據集上傳到Google雲端硬碟並從中進行克隆。假設您已經壓縮了上面的培訓集，比如說CDnet2014.zip，並上傳到Google Drive中與myNotebook.ipynb相同的目錄。現在，右鍵單擊CDnet2014net.zip > 獲取可共享鏈接。複製文件的ID並將其存儲在某個地方（稍後我們將使用它）。

然後，讓我們將CDnet2014net.zip文件內容下載到我們的Jupyter筆記本中（替換 YOUR_FILE_ID 為上面步驟中獲得的id）並通過運行以下代碼解壓縮它：

完成！您已將數據集從Google雲端硬碟下載到Colab。讓我們繼續第4節，使用這個數據集構建一個簡單的神經網路。

4. 微調您的神經網路

將數據集下載到Colab後，現在讓我們在前景分割域中對Keras預訓練模型進行微調。請按照以下步驟操作：

步驟a.首先，在筆記本上添加此代碼段，以獲得跨機器的可重現結果（請在筆記本的單元格中運行代碼段）：

# Run it to obtain reproducible results across machines (from keras.io)

from__future__import print_function

import numpy as np

import tensorflow as tf

import random as rn

import os

os.environ["PYTHONHASHSEED"] ="0"

rn.seed(12345)

session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)

from keras import backend as K

tf.set_random_seed(1234)

sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)

K.set_session(sess)

步驟b.創建一個從Colab載入數據的函數。此函數返回具有相應基礎事實（Y）的輸入圖像（X）：

# load data func

import glob

from keras.preprocessing import image as kImage

defgetData(dataset_dir):

X= []

Y= []

for i inrange(len(X_list)):

# Load input image

x = kImage.load_img(X_list[i])

x = kImage.img_to_array(x)

X.append(x)

# Load ground-truth label and encode it to label 0 and 1

x = kImage.load_img(Y_list[i], grayscale=True)

x = kImage.img_to_array(x)

x /=255.0

x = np.floor(x)

Y.append(x)

X = np.asarray(X)

Y = np.asarray(Y)

# Shuffle the training data

idx =list(range(X.shape[0]))

X = X[idx]

Y = Y[idx]

return X, Y

步驟c.最初是一個vanilla編碼器——解碼器模型。我們將VGG-16預訓練模型作為編碼器進行調整，其中所有完全連接的層都被移除，只有最後一個卷積層（block5_conv3）被微調，其餘層被凍結。我們使用轉置卷積層來恢復解碼器部分中的特徵解析度。

由於它是二分類問題，binary_crossentropy因此使用並且來自網路的輸出將是0和1之間的概率值。這些概率值需要被閾值化以獲得二進位標籤0或1，其中標籤0表示背景和標籤1代表前景。

import keras

from keras.models import Model

from keras.layers import Deconv2D, Input

definitModel():

### Encoder

net_input = Input(shape=(240,320,3))

vgg16 = keras.applications.vgg16.VGG16(include_top=False, weights="imagenet", input_tensor=net_input)

for layer in vgg16.layers[:17]:

layer.trainable =False

x = vgg16.layers[-2].output # 2nd layer from the last, block5_conv3

### Decoder

x = Deconv2D(256, (3,3), strides=(2,2), activation="relu", padding="same")(x)

x = Deconv2D(128, (3,3), strides=(2,2), activation="relu", padding="same")(x)

x = Deconv2D(64, (3,3), strides=(2,2), activation="relu", padding="same")(x)

x = Deconv2D(32, (3,3), strides=(2,2), activation="relu", padding="same")(x)

x = Deconv2D(1, (1,1), activation="sigmoid", padding="same")(x)

model = Model(inputs=vgg16.input, outputs=x)

return model

步驟d.我們將學習率設置為5e-4，batch_size為1，validation_split為0.2，max-epochs為100，當驗證損失連續5次迭代沒有改善時將學習率降低10倍，並在驗證損失連續10次迭代沒有改善時提前停止訓練。現在，讓我們訓練模型吧。

# load data

X, Y = getData(dataset_path)

# init the model

model = initModel()

early = keras.callbacks.EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=10)

reduce= keras.callbacks.ReduceLROnPlateau(monitor="val_loss", factor=0.1, patience=5)

model.fit(X, Y, batch_size=1, epochs=100, verbose=2, validation_split=0.2, callbacks=[reduce, early], shuffle=True)

model.save("my_model.h5")

使用GPU進行訓練

一次迭代大約需要1秒鐘，賊快！驗證集的最大精度高於98％。還不錯，對吧？現在，讓我們暫停一下。讓我們比較使用和不使用GPU的訓練速度（如果需要，可以跳過此比較並跳轉到測試部分）。要在沒有GPU的情況下進行訓練，請將硬體加速器設置為無（參見上面的第2節）。這是培訓日誌。沒有GPU，一次迭代需要大約30秒，而使用GPU訓練只需要1秒（大約快30倍）。

不使用GPU進行訓練

現在，讓我們使用ColabGPU在測試集上測試模型（您可以運行!ls */test/*以查看具有相應基礎事實的測試幀）。

好棒！！！只需使用25個vanilla網路的例子，我們就可以在測試集+驗證集上達到98.94％的精度。請注意，由於訓練示例的隨機性，您可能會得到與我相似的結果（不完全相同但只有很小的精度差異）。

注意一個問題：我們的模型過度擬合了訓練數據，您接下來的工作是解決這個問題。提示：使用正規化技術，如Dropout，L2，BatchNormalization。

步驟e.讓我們通過運行以下代碼繪製分段掩碼：

import matplotlib.pyplot as plt

idx =1#image index that you want to display

img =np.empty(3, dtype=object)

img[0] = X[idx]

img[1] =Y[idx].reshape(Y[idx].shape[0],Y[idx].shape[1])

img[2] =pred[idx].reshape(pred[idx].shape[0],pred[idx].shape[1])

title = ["input","ground-truth", "result"]

for iinrange(3):

plt.subplot(1, 3, i+1)

if i==0:

plt.imshow(img[i].astype("uint8"))

else:

plt.imshow(img[i], cmap="gray")

plt.axis("off")

plt.title(title[i])

plt.show()

好了！細分結果一點都不差！大多數對象邊界被錯誤分類了，該問題主要是由於訓練期間在損失計算中考慮空標籤（對象邊界周圍的模糊像素）引起的。我們可以通過在損失中省略這些void標籤來更好地提高性能。您訪問以下兩個鏈接參考如何執行此操作：

https://github.com/lim-anggun/FgSegNet

https://github.com/lim-anggun/FgSegNet_v2

CDnet2014數據集上的測試結果（changedetection.net）

GitHub中提供了本教程的完整源代碼：

https://github.com/lim-anggun/tutorials/blob/master/myNotebook.ipynb

總結

在本教程中，您學習了如何使用Google Colab GPU並快速訓練網路。您還學習了如何在前景分割域中微調Keras預訓練模型，您可能會發現它在您未來的研究中很有趣。

如果您喜歡這篇文章，請隨時分享或鼓掌。祝愉快！

原文標題：

A comprehensive guide on how tofine-tune deep neural networks using Keras on Google Colab (Free GPU)

https://towardsdatascience.com/a-comprehensive-guide-on-how-to-fine-tune-deep-neural-networks-using-keras-on-google-colab-free-daaaa0aced8f

譯者簡介

閆曉雨，本科畢業於北京林業大學，即將就讀於南加州大學應用生物統計與流行病碩士項目。繼續在生統道路上摸爬滾打，熱愛數據，期待未來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！