1. 前言
Megengine 是旷视科技开发的一款训练推理一体化的深度学习框架,类似于 pytorch,tensorflow。
使用 Megengine 可以快速实现常见的深度学习模型,本文将使用 Megengine 实现手写数字识别,以完成深度学习的两大步骤:训练和预测。通过本文,读者对深度学习的最基本流程和 Megengine 框架的使用方法有大致了解。
2. 环境安装
在命令行输入下列语句即可安装 Megengine ,建议使用 python 版本为 3.5 到 3.8
python3 -m pip install --upgrade pip
python3 -m pip install megengine -f https://megengine.org.cn/whl/mge.html
安装完成后可以在命令行测试是否安装成功。
python3
import megengine
print(megengine.__version__)
3. 训练
本部分训练代码来自 Megengine 官方教程,需要详细了解细节请前往 MegEngine 快速上手
3.1 数据集准备
3.1.1 下载数据集
深度学习的第一步为准备数据集,通常会为数据集写一个接口来访问数据集,并对数据进行预处理。
Megengine 中已经实现了 MNIST 数据集的接口,我们可以通过以下代码直接获取。如果想要制作或使用其他数据集,可以点击这里进行学习。
from megengine.data.dataset import MNIST
DATA_PATH = "./datasets/MNIST"
#第一次运行后,将 download 改为 False
train_dataset = MNIST(DATA_PATH, train=True, download=True)
test_dataset = MNIST(DATA_PATH, train=False, download=True)
3.1.2 数据加载及预处理
上面使用 MNIST()完成数据集的加载和 Dataset 的构建,接下来将对数据进行加载,修改数据。使用 DataLoader、Sampler 和 Transform 实现。
DataLoader
功能: 构建可迭代的数据装载器,非常灵活地从数据集连续获取小批量数据
参数:
- dataset – 需要从中分批加载的数据集。
- sampler (Optional) – 定义从数据集中采样数据的策略。
- transform (Optional) – 定义抽样批次的转换策略。对数据需要作的变换 默认:None
- …
RandomSampler
功能:创建一个列表,包含所有数据的索引,可实现数据的随机取样
参数:
- dataset – 待采样的目标数据集。
- batch_size – 使用 batch 方法时指定 batch 大小。
- drop_last – 如果 batch 大小不能整除数据集大小时,为 True 则放弃最后一个不完整的batch; 为 False 则最后一个batch可能比较小。默认:False
- …
import megengine.data as data
import megengine.data.transform as T
train_sampler = data.RandomSampler(train_dataset, batch_size=64)
test_sampler = data.SequentialSampler(test_dataset, batch_size=4)
transform = T.Compose([
T.Normalize(0.1307*255, 0.3081*255),
T.Pad(2),
T.ToMode("CHW"),
])
train_dataloader = data.DataLoader(train_dataset, train_sampler, transform)
test_dataloader = data.DataLoader(test_dataset, test_sampler, transform)
3.2 模型
接下来定义网络结构,LeNet 的网络结构如下图所示。
[图片上传失败…(image-41aaca-1660811354056)]
定义网络结构主要为两步:定义网络子模块和连接网络子模块。如下代码所示,使用 init 方法创建子模块,forward()方法连接子模块。
import megengine.functional as F
import megengine.module as M
class LeNet(M.Module):
def __init__(self):
super().__init__()
#输入大小为(batch, 1, 32, 32),输出大小为(batch, 6, 28, 28)
self.conv1 = M.Conv2d(1, 6, 5)
self.conv2 = M.Conv2d(6, 16, 5)
self.fc1 = M.Linear(16*5*5, 120)
self.fc2 = M.Linear(120, 84)
self.fc3 = M.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), 2)
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = F.flatten(x, 1)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
- class LeNet 继承自 Module 的类,想要了解更多关于构建模型的细节,可以参考参考 module 定义模型结构
3.3 训练准备
- GradManager 负责计算梯度,管理需要优化的参数,用attach()方法添加,加入的参数才会被计算保存梯度值。对梯度计算了解更多请点击 Autodiff 基本原理与使用
- optimizer 选择使用的优化方法,这里使用 Optimizer.SGD(随机梯度下降法)作为优化器,对优化器了解更多请点击使用 optimizer 优化参数
import megengine.optimizer as optim
import megengine.autodiff as autodiff
gm = autodiff.GradManager().attach(model.parameters())
#参数为需要优化的参数,学习率等
optimizer = optim.SGD(
model.parameters(),
lr=0.01,
momentum=0.9,
weight_decay=5e-4
)
3.4 训练迭代
接下来进入程序的主逻辑,开始训练模型。使用两个嵌套循环,一个大循环为一个 epoch,遍历一次数据集,计算一次准确度。
每个小循环为一个 batch,将一批数据传入模型中,进行前向计算得到预测概率,使用交叉熵(cross_entropy)来计算 loss, 接着调用 GradManager.backward 方法进行反向计算并且记录每个 tensor 的梯度信息。然后使用 Optimizer.step 方法更新模型中的参数。由于每次更新参数后不自动清除梯度,所以还需要调用 clear_grad 方法。
import megengine
epochs = 10
model.train()
for epoch in range(epochs):
total_loss = 0
for batch_data, batch_label in train_dataloader:
batch_data = megengine.Tensor(batch_data)
batch_label = megengine.Tensor(batch_label)
with gm:
logits = model(batch_data)
loss = F.nn.cross_entropy(logits, batch_label)
gm.backward(loss)
optimizer.step().clear_grad()
total_loss += loss.item()
print(f"Epoch: {epoch}, loss: {total_loss/len(train_dataset)}")
3.5 保存模型
常用的神经网络都具有非常大数量级的参数,每次训练需要花费很长时间,为了能够训练中断后能够按照上次训练的成果接着训练,我们可以每10个 epoch 保存一次模型(或更多)。保存模型有几种方法,如表所示。方法详细介绍请点击保存与加载模型。
方法 | 优劣 |
---|---|
保存/加载整个模型 | 任何情况都不推荐 |
保存加载模型状态字典 | 适用于推理,不满足恢复训练要求 |
保存加载检查点 | 适用于推理或恢复训练 |
导出静态图模型 | 适用于推理,追求高性能部署 |
我们选择保存加载检查点,既可以用于恢复训练也可以推理。保存时调用 megengine.save()方法,参数如下: |
megengine.save({
"epoch": epoch,
"state_dict": model.state_dict(),
"optimizer_state_dict": optimizer.state_dict(),
"loss": loss,
...
}, PATH)
然后就可以愉快的进行训练了,观察训练结果,当 loss 下降到一定地步,准确率满足要求后,终止训练.
如果训练发生中断,可以调用 load()方法和 optimizer.load_state_dict()方法,对模型的加载,重新开始训练。代码如下:
model = LeNet()
optimizer = optim.SGD()
checkpoint = megengine.load(PATH)
model.load_state_dict(checkpoint["model_state_dict"])
optimizer.load_state_dict(checkpoint["optimizer_state_dict"])
epoch = checkpoint["epoch"]
loss = checkpoint["loss"]
model.eval()
# - or -
model.train()
4. 推理
上面几个章节已经完成深度学习大部分内容,已经能够产生一个需要的算法模型。这个算法对准备好的数据集有比较好的拟合效果,但是我们的最终目的是用模型进行推理,即能够对新的数据进行预测。这将是下面介绍的内容。
首先有一种很简单的方法,使用 python 加载模型并设定 model.eval(),代码如下所示,这样就可以简单调用训练好的模型用以实际。
from train import LeNet
import cv2
import numpy as np
import megengine
import megengine.data.transform as T
import megengine.functional as F
IMAGE_PATH = "./test.png"
CHECK_POINT_PATH = "./checkpoint.pkl"
def load_model(check_point_path = CHECK_POINT_PATH):
model = LeNet()
check_point = megengine.load(check_point_path)
#注意checkpoint保存时模型对应的键,此处为state_dict
model.load_state_dict(check_point["state_dict"])
model.eval()
return model
def main():
# 加载一张图像为灰度图
image = cv2.imread(IMAGE_PATH,cv2.IMREAD_GRAYSCALE)
image = cv2.resize(image, (32, 32))
#将图片变换为黑底白字
image = np.array(255-image)
tensor_image = megengine.tensor(image).reshape(1, 1, 32, 32)
model = load_model()
logit= model(tensor_image)
pred = F.argmax(logit, axis=1).item()
print("number:", pred)
if __name__ == "__main__":
main()
不过在实际部署中,还需要考虑部署环境,推理速度等因素,所以从训练好模型到部署落地还有很长的路。Megengine 由于其设计特点——训练推理一体化,可以方便地将训练模型部署。这将是下一章介绍的内容,下一章将使用 C++ 调用 Megengine lite,进行高效部署。
参考文献
[1]: MegEngine 快速上手
[2]: Yann LeCun, Corinna Cortes, and CJ Burges. Mnist handwritten digit database. ATT Labs [Online]. Available: yann.lecun.com/exdb/mnist, 2010.
[3]: Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324, 1998.
附录:train.py
from megengine.data.dataset import MNIST
from megengine import jit, tensor
import megengine
import numpy as np
import megengine.data as data
import megengine.data.transform as T
import megengine.functional as F
import megengine.module as M
import megengine.optimizer as optim
import megengine.autodiff as autodiff
DATA_PATH = "./datasets/train/"
def load_data(data_path =DATA_PATH):
train_dataset = MNIST(DATA_PATH)
test_dataset = MNIST(DATA_PATH)
train_sampler = data.RandomSampler(train_dataset, batch_size=64)
test_sampler = data.SequentialSampler(test_dataset, batch_size=2)
transform = T.Compose([
T.Normalize(0.1307*255, 0.3081*255),
T.Pad(2),
T.ToMode("CHW"),
])
train_dataloader = data.DataLoader(train_dataset, train_sampler, transform)
test_dataloader = data.DataLoader(test_dataset, test_sampler, transform)
return train_dataloader, test_dataloader
#Define model
class LeNet(M.Module):
def __init__(self):
super().__init__()
self.conv1 = M.Conv2d(1, 6, 5)
self.conv2 = M.Conv2d(6, 16, 5)
self.fc1 = M.Linear(16*5*5, 120)
self.fc2 = M.Linear(120, 84)
self.fc3 = M.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), 2)
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = F.flatten(x, 1)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def train(dataloader):
model = LeNet()
# GradManager and Optimizer setting
gm = autodiff.GradManager().attach(model.parameters())
optimizer = optim.SGD(
model.parameters(),
lr=0.01,
momentum=0.9,
weight_decay=5e-4
)
# Training and validation
nums_epoch = 50
for epoch in range(nums_epoch):
training_loss = 0
nums_train_correct, nums_train_example = 0, 0
nums_val_correct, nums_val_example = 0, 0
for step, (image, label) in enumerate(dataloader[0]):
image = megengine.Tensor(image)
label = megengine.Tensor(label)
with gm:
score = model(image)
loss = F.nn.cross_entropy(score, label)
gm.backward(loss)
optimizer.step().clear_grad()
training_loss += loss.item() * len(image)
pred = F.argmax(score, axis=1)
nums_train_correct += (pred == label).sum().item()
nums_train_example += len(image)
training_acc = nums_train_correct / nums_train_example
training_loss /= nums_train_example
for image, label in dataloader[1]:
image = megengine.Tensor(image)
label = megengine.Tensor(label)
pred = F.argmax(model(image), axis=1)
nums_val_correct += (pred == label).sum().item()
nums_val_example += len(image)
val_acc = nums_val_correct / nums_val_example
#每十次epoch保存一次模型
if epoch%2 == 0:
megengine.save(
{"epoch":epoch,
"state_dict": model.state_dict(),
"optimizer_state_dict": optimizer.state_dict(),
"loss": loss,
},
"./checkpoint.pkl")
print(f"Epoch = {epoch}, "
f"train_loss = {training_loss:.3f}, "
f"train_acc = {training_acc:.3f}, "
f"val_acc = {val_acc:.3f}")
def dumpy_mge(pkl_path = "checkpoint.pkl"):
model = LeNet()
check_point = megengine.load(pkl_path)
model.load_state_dict(check_point["state_dict"])
model.eval()
@jit.trace(symbolic=True, capture_as_const=True)
def infer_func(input, *, model):
pred = model(input)
return pred
input = megengine.Tensor(np.random.randn(1, 1, 32, 32))
output = infer_func(input, model=model)
infer_func.dump("./lenet.mge", arg_names=["input"])
if __name__=='__main__':
train(load_data())
C++ 推理
前半部分我们完成了深度学习的训练,得到了LeNet训练权重文件,后面我们将使用训练权重文件导出静态图模型。并使用C++调用模型完成实际部署的模拟。
准备工作
在上一章中,我们提到有四种保存模型的方法,如下表所示,为了训练方便起见,保存了checkpoint文件。但实际部署中我们经常使用静态图模型,所以我们首先要完成静态图导出。
方法 | 优劣 |
---|---|
保存/加载整个模型 | 任何情况都不推荐 |
保存加载模型状态字典 | 适用于推理,不满足恢复训练要求 |
保存加载检查点 | 适用于推理或恢复训练 |
导出静态图模型 | 适用于推理,追求高性能部署 |
到处静态图在megengine中有较完整的教程,请参考导出序列化模型文件(Dump)。主要分为三步:
- 将循环内的前向计算、反向传播和参数优化代码提取成单独的函数,如下面例子中的 train_func()
- 将网络所需输入作为训练函数的参数,并返回任意你需要的结果(如输出结果、损失函数值等);
- 用 jit 模块中的 trace 装饰器来装饰这个函数,将其中的代码变为静态图代码。
在上一章最后的附录train.py中有dump静态图的方法,代码如下:
from megengine import jit
def dump_mge(pkl_path = "checkpoint.pkl"):
model = LeNet()
check_point = megengine.load(pkl_path)
model.load_state_dict(check_point["state_dict"])
model.eval()
@jit.trace(symbolic=True, capture_as_const=True)
def infer_func(input, *, model):
pred = model(input)
pred_normalized = F.softmax(pred)
return pred_normalized
input = megengine.Tensor(np.random.randn(1, 1, 32, 32))
output = infer_func(input, model=model)
infer_func.dump("./lenet.mge", arg_names=["input"])
调用dump_mge方法即可完成静态图导出。
inference代码
代码的主逻辑为:
- 创建Network
- 使用load_model()载入模型
- 使用stb预处理图片(加载和resize),然后归一化,载入进input tensor
- 使用network->forward()和network->wait()完成推理逻辑。
- 获取模型输出tensor,并对其进行处理。
推理代码为:
//inference.cpp
#include <iostream>
#include <stdlib.h>
#define STB_IMAGE_IMPLEMENTATION
#include "stb/stb_image.h"
#define STB_IMAGE_WRITE_IMPLEMENTATION
#include "stb/stb_image_write.h"
#define STB_IMAGE_RESIZE_IMPLEMENTATION
#define STB_IMAGE_RESIZE_STATIC
#include "stb/stb_image_resize.h"
#include "lite/network.h"
#include "lite/tensor.h"
//注意在这里修改测试图片与所用模型
#define IMAGE_PATH "./test.png"
#define MODEL_PATH "./lenet.mge"
void preprocess_image(std::string pic_path, std::shared_ptr<lite::Tensor> tensor) {
int width, height, channel;
uint8_t* image = stbi_load(pic_path.c_str(), &width, &height, &channel, 0);
printf("Input image %s with height=%d, width=%d, channel=%dn", pic_path.c_str(),
width, height, channel);
auto layout = tensor->get_layout();
auto pixels = layout.shapes[2] * layout.shapes[3];
size_t image_size = width * height * channel;
size_t gray_image_size = width * height * 1;
unsigned char *gray_image = (unsigned char *)malloc(gray_image_size);
for(unsigned char *p=image, *pg=gray_image; p!=image+image_size; p+=channel,pg++)
{
*pg = uint8_t(*p + *(p+1) + *(p+2))/3.0;
}
//! resize to tensor shape
std::shared_ptr<std::vector<uint8_t>> resize_int8 =
std::make_shared<std::vector<uint8_t>>(pixels * 1);
stbir_resize_uint8(
gray_image, width, height, 0, resize_int8->data(), layout.shapes[2],
layout.shapes[3], 0, 1);
free(gray_image);
stbi_image_free(image);
//! 减去均值,归一化
unsigned int sum = 0;
for(unsigned char *p=gray_image; p!=gray_image+gray_image_size;p++){
sum += *p;
}
sum /= gray_image_size;
float* in_data = static_cast<float*>(tensor->get_memory_ptr());
for (size_t i = 0; i < pixels; i++) {
in_data[i] = resize_int8->at(i)-sum;
}
}
int main()
{
//创建网络
std::shared_ptr<lite::Network> network = std::make_shared<lite::Network>();
//加载模型
network->load_model(MODEL_PATH);
std::shared_ptr<lite::Tensor> input_tensor = network->get_io_tensor("input");
preprocess_image(IMAGE_PATH, input_tensor);
//将图片转为Tensor
network->forward();
network->wait();
std::shared_ptr<lite::Tensor> output_tensor = network->get_output_tensor(0);
float* predict_ptr = static_cast<float*>(output_tensor->get_memory_ptr());
float max_prob = predict_ptr[0];
size_t number = 0;
//寻找最大的标签
for(size_t i=0; i<10; i++)
{
float cur_prob = predict_ptr[i];
if(cur_prob>max_prob)
{
max_prob = cur_prob;
number = i;
}
}
std::cout << "the predict number is :" << number << std::endl;
return 0;
}
推理的代码已经编写完成,还需要对其进行编译,根据我们部署的平台,选择编译方式,比如安卓,可以选择交叉编译。这里我们选择部署在本机上。
可以使用g++进行编译,编译时需要连接MegEngine Lite库文件,并且准备好stb头文件。
配置环境
由于使用C++调用MegEngine Lite接口,所以我们首先需要编译出MegEngine Lite的库。
安装MegEngine:从源代码编译MegEngine。请参考编译MegEngine Lite。
- clone MegEngine工程,进入根目录
git clone --depth=1 git@github.com:MegEngine/MegEngine.git
cd MegEngine
- 安装MegEngine所需的依赖
./third_party/prepare.sh
./third_party/install-mkl.sh
- 使用cmake进行编译工程得到c++推理所需的库文件
scripts/cmake-build/host_build.sh
编译完成后,需要的库文件所在地址为:
MegEngine/build_dir/host/MGE_WITH_CUDA_OFF/MGE_INFERENCE_ONLY_ON/Release/install/lite/
这里为了在g++编译时添加库文件方便,可以将库文件地址设为环境变量
export LITE_INSTALL_DIR=/path/to/megenginelite-lib #上一步中编译生成的库文件安装路径
export LD_LIBRARY_PATH=$LITE_INSTALL_DIR/lib/x86_64/:$LD_LIBRARY_PATH
安装stb:
stb是一个轻量化的图片加载库,可以替代opencv完成图片的解码。想要使用它,只需要将对应的头文件包含到项目内,不像opencv需要编译产生链接库。
这里为了调用方便直接将stb的项目下载下来:
git clone https://github.com/nothings/stb.git
想要使用图片加载函数stbi_load(),只需在cpp文件中define STB_IMAGE_IMPLEMENTATION并且include stb_image.h头文件
#define STB_IMAGE_IMPLEMENTATION
#include "stb/stb_image.h"
动态链接编译
最后使用g++或者clang完成对inference.cpp的编译。
- -I选项添加编译时头文件搜索路径
- -l添加动态链接库
- -L添加动态链接库搜索路径
g++ -o inference -I$LITE_INSTALL_DIR/include -I./stb inference.cpp -llite_shared -L$LITE_INSTALL_DIR/lib/x86_64
编译后会在本目录下会得到inference二进制文件
执行二进制文件
准备好一张手写数字图片,将图片与模型放到同一目录,执行编译好的文件即可得到推理结果。
./inference test.jpg
以上就完成了LeNet神经网络的部署。
更多 MegEngine 信息获取,您可以:
查看 MegEngine 官网和 GitHub 项目,或加入 MegEngine 用户交流 QQ 群:1029741705