-
Notifications
You must be signed in to change notification settings - Fork 0
/
LeNet-5_sam_optim.py
475 lines (373 loc) · 18 KB
/
LeNet-5_sam_optim.py
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
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
## 참고
## LeNet-5_sam_optim.ipynb와 같은 내용의 동작을 하는 py 코드입니다.
## data, model, utility 폴더 경로가 필요하며, sam.py 파일 또한 필요합니다.
## 저장된 모델 파일이 특정 이름으로 존재하는 경우에 모델을 파일로 따로 저장하지 않습니다.
import numpy as np
import torch
from torchvision import datasets, transforms
from torch.utils.data.sampler import SubsetRandomSampler
# MNIST training dataset 불러오기
from torchvision import datasets
from torch.utils.data import DataLoader
from torchvision import utils
from torch import nn
import torch.nn.functional as F
#for SAM
import os
import os.path
import sys
module_path = os.path.abspath(os.path.join('..'))
if module_path not in sys.path:
sys.path.append(module_path)
from utility.log import Log
from utility.initialize import initialize
from utility.step_lr import StepLR
from utility.bypass_bn import enable_running_stats, disable_running_stats
import sys; sys.path.append("..")
from sam import SAM
#for visualization
import matplotlib.pyplot as plt
import random
# 우선, MNIST dataset에 적용할 transformation 객체를 생성합니다.
device = 'cuda' if torch.cuda.is_available() else 'cpu'
# transformation 정의하기
data_transform = transforms.Compose([
transforms.ToTensor(),
])
def get_train_valid_loader(data_dir,
batch_size,
random_seed,
augment=False,
valid_size=0.2,
shuffle=True,
num_workers=1,
pin_memory=True):
"""
Utility function for loading and returning train and valid
multi-process iterators over the MNIST dataset. A sample
9x9 grid of the images can be optionally displayed.
If using CUDA, num_workers should be set to 1 and pin_memory to True.
Params
------
- data_dir: path directory to the dataset.
- batch_size: how many samples per batch to load.
- augment: whether to apply the data augmentation scheme
mentioned in the paper. Only applied on the train split.
- random_seed: fix seed for reproducibility.
- valid_size: percentage split of the training set used for
the validation set. Should be a float in the range [0, 1].
- shuffle: whether to shuffle the train/validation indices.
- show_sample: plot 9x9 sample grid of the dataset.
- num_workers: number of subprocesses to use when loading the dataset.
- pin_memory: whether to copy tensors into CUDA pinned memory. Set it to
True if using GPU.
Returns
-------
- train_loader: training set iterator.
- valid_loader: validation set iterator.
"""
error_msg = "[!] valid_size should be in the range [0, 1]."
assert ((valid_size >= 0) and (valid_size <= 1)), error_msg
normalize = transforms.Normalize((0.1307,), (0.3081,)) # MNIST
# load the dataset
train_dataset = datasets.MNIST(root=data_dir, train=True,
download=True, transform=data_transform)
valid_dataset = datasets.MNIST(root=data_dir, train=True,
download=True, transform=data_transform)
num_train = len(train_dataset)
indices = list(range(num_train))
split = int(np.floor(valid_size * num_train))
if shuffle == True:
np.random.seed(random_seed)
np.random.shuffle(indices)
train_idx, valid_idx = indices[split:], indices[:split]
train_sampler = SubsetRandomSampler(train_idx)
valid_sampler = SubsetRandomSampler(valid_idx)
train_loader = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size, sampler=train_sampler,
num_workers=num_workers, pin_memory=pin_memory)
valid_loader = torch.utils.data.DataLoader(valid_dataset,
batch_size=batch_size, sampler=valid_sampler,
num_workers=num_workers, pin_memory=pin_memory)
return (train_dataset, train_loader, valid_dataset, valid_loader)
# 데이터를 저장할 경로 설정
path2data = './data'
# data loader 를 생성합니다.
train_data, train_dl, val_data, val_dl = get_train_valid_loader(path2data, 128, random_seed=np.random.seed(100), augment=False, valid_size=0.2, shuffle=True)
# 모델 정의
class LeNet_5(nn.Module):
def __init__(self):
super(LeNet_5,self).__init__()
self.conv1 = nn.Conv2d(1, 6, kernel_size=5, stride=1, padding=2)
self.conv2 = nn.Conv2d(6, 16, kernel_size=5, stride=1)
self.conv3 = nn.Conv2d(16, 120, kernel_size=5, stride=1)
self.fc1 = nn.Linear(120, 84)
self.fc2 = nn.Linear(84, 10)
def forward(self, x):
x = F.tanh(self.conv1(x))
x = F.avg_pool2d(x, 2, 2)
x = F.tanh(self.conv2(x))
x = F.avg_pool2d(x, 2, 2)
x = F.tanh(self.conv3(x))
x = x.view(-1, 120)
x = F.tanh(self.fc1(x))
x = self.fc2(x)
return F.log_softmax(x, dim=1)
# 손실함수 : 라벨 스무딩 크로스엔트로피
def smooth_crossentropy(pred, gold, smoothing=0.1):
n_class = pred.size(1)
one_hot = torch.full_like(pred, fill_value=smoothing / (n_class - 1))
one_hot.scatter_(dim=1, index=gold.unsqueeze(1), value=1.0 - smoothing)
log_prob = F.log_softmax(pred, dim=1)
return F.kl_div(input=log_prob, target=one_hot, reduction='none').sum(-1)
# 가우시안 노이즈를 적용하기 위한 클래스를 정의 (랜덤 시드를 지정함)
class AddGaussianNoise(object):
def __init__(self, mean=0., std=1.):
self.std = std
self.mean = mean
def __call__(self, tensor):
torch.manual_seed(0)
return tensor + torch.randn(tensor.size()) * self.std + self.mean
def __repr__(self):
return self.__class__.__name__ + '(mean={0}, std={1})'.format(self.mean, self.std)
# 정확도 계산 함수 정의, Inference 과정에 사용
def check_accuracy(loader, model):
correct_list=[]
wrong_list=[]
total = 0
correct = 0 # 정답 개수를 기록하기 위한 변수
model.eval()
with torch.no_grad():
for inputs, labels in loader:
inputs, labels = inputs.to(device), labels.to(device)
infer = model(inputs)
predicted = infer.argmax(dim=1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
# 올바르게 분류된 샘플과 잘못 분류된 샘플을 구분하여 저장
for i in range(len(predicted)):
if predicted[i] == labels[i]:
correct_list.append((inputs[i], labels[i], predicted[i]))
else:
wrong_list.append((inputs[i], labels[i], predicted[i]))
# 정확도 출력
accuracy = 100 * correct / total
print(f'Accuracy on the test set: {accuracy:.3f}%')
# 옳게 분류된 샘플들과 잘못된 분류된 샘플들을 반환
return correct_list, wrong_list
if __name__ == '__main__':
# Training : 학습
args = dict()
args['adaptive'] = True
args['batch_size'] = 128
args['epochs'] = 80
# 라벨 스무딩, 레이블을 그대로 사용하는 것이 아니라 조금 smooth하게 만들어서 정규화를 시키는 것
args['label_smoothing'] = 0.1
# 초기 학습률
args['learning_rate'] = 0.1
# Momentum은 Local Minimum에 빠지는 경우를 대처하기 위해 적용.
args['momentum'] = 0.9
# SAM의 gradient 전개식 계산에 쓰일 파라미터, 논문에 따르면 경험적으로 ρ = 2로 하여 L2-norm 계산한 것이 최적의 결과를 냄.
args['rho'] = 2.0
args['weight_decay'] = 0.0005
initialize(args, seed=42)
log = Log(log_each=10)
model = LeNet_5().to(device)
print(model)
base_optimizer = torch.optim.SGD
optimizer = SAM(model.parameters(), base_optimizer, rho=args['rho'], adaptive=args['adaptive'], lr=args['learning_rate'], momentum=args['momentum'], weight_decay=args['weight_decay'])
scheduler = StepLR(optimizer, args['learning_rate'], args['epochs'])
epoch_loss = {
'train':[],
'valid':[]
}
for epoch in range(args['epochs']):
model.train()
log.train(len_dataset=len(train_dl))
for batch in train_dl:
inputs, targets = (b.to(device) for b in batch)
# first forward-backward step
enable_running_stats(model)
predictions = model(inputs)
loss = smooth_crossentropy(predictions, targets, smoothing=args['label_smoothing'])
loss.mean().backward()
optimizer.first_step(zero_grad=True)
# second forward-backward step
disable_running_stats(model)
smooth_crossentropy(model(inputs), targets, smoothing=args['label_smoothing']).mean().backward()
optimizer.second_step(zero_grad=True)
with torch.no_grad():
correct = torch.argmax(predictions.data, 1) == targets
log(model, loss.cpu(), correct.cpu(), scheduler.lr())
scheduler(epoch)
model.eval()
log.eval(len_dataset=len(val_dl))
with torch.no_grad():
for batch in val_dl:
inputs, targets = (b.to(device) for b in batch)
predictions = model(inputs)
loss = smooth_crossentropy(predictions, targets)
correct = torch.argmax(predictions, 1) == targets
log(model, loss.cpu(), correct.cpu())
log.flush()
loss_history = log.get_epoch_loss_history()
epochs = range(0, args['epochs'])
plt.plot(list(loss_history['train']), label='Training Loss')
#plt.plot(epochs, loss_history['valid'], label='Validation Loss')
plt.title('Training Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
# 모델 전체 파일로 저장
number_of_epochs = args['epochs']
batch_size = args['batch_size']
if os.path.isfile(f'./model/epochs-{number_of_epochs}/LeNet-5_SAM_b{batch_size}.pth') == False:
torch.save(model, f'./model/epochs-{number_of_epochs}/LeNet-5_SAM_b{batch_size}.pth')
else:
print('Cannot save into file. The file already exists..')
# 모델 파일 읽기 - inference 과정만 수행하고 싶은 경우 위 학습 부분 주석처리하세요.
model = torch.load('./model/epochs-80/LeNet-5_SAM_b128.pth')
model.to(device)
model.eval()
##### TEST1 : 변형이 없는 테스트 데이터셋을 사용하여 테스트
path2data = './data'
data_transform = transforms.Compose([
#transforms.Resize((32, 32)),
transforms.ToTensor(),
])
# MNIST test dataset 불러오기
test_data = datasets.MNIST(path2data, train=False, download=True, transform=data_transform)
test_dl = DataLoader(test_data, batch_size=128)
print('##### Pure dataset test #####')
correct_samples, wrong_samples = check_accuracy(test_dl, model)
# 잘못 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Wrongly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(wrong_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
# 정확하게 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Correctly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(correct_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
##### TEST2 : 표준편차 0.4 가우시안 노이즈를 적용한 테스트 데이터셋을 사용하여 테스트
noisy_transform=transforms.Compose([
#transforms.Resize((32, 32)),
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,)),
AddGaussianNoise(mean=0., std=0.4),
])
# MNIST test dataset 불러오기
gau_04_test_data = datasets.MNIST(path2data, train=False, download=True, transform=noisy_transform)
gau_04_test_dl = DataLoader(gau_04_test_data, batch_size=128)
print('##### Gaussian Noise (stadard deviation:0.4) dataset test #####')
correct_samples, wrong_samples = check_accuracy(gau_04_test_dl, model)
# 잘못 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Wrongly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(wrong_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
# 정확하게 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Correctly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(correct_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
##### TEST3 : 표준편차 0.6 가우시안 노이즈를 적용한 테스트 데이터셋을 사용하여 테스트
noisy_transform=transforms.Compose([
#transforms.Resize((32, 32)),
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,)),
AddGaussianNoise(mean=0., std=0.6),
])
# MNIST test dataset 불러오기
gau_06_test_data = datasets.MNIST(path2data, train=False, download=True, transform=noisy_transform)
gau_06_test_dl = DataLoader(gau_06_test_data, batch_size=128)
print('##### Gaussian Noise (stadard deviation:0.6) dataset test #####')
correct_samples, wrong_samples = check_accuracy(gau_06_test_dl, model)
# 잘못 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Wrongly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(wrong_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
# 정확하게 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Correctly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(correct_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
##### TEST4 : 표준편차 0.8 가우시안 노이즈를 적용한 테스트 데이터셋을 사용하여 테스트
noisy_transform=transforms.Compose([
#transforms.Resize((32, 32)),
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,)),
AddGaussianNoise(mean=0., std=0.8),
])
# MNIST test dataset 불러오기
gau_08_test_data = datasets.MNIST(path2data, train=False, download=True, transform=noisy_transform)
gau_08_test_dl = DataLoader(gau_08_test_data, batch_size=128)
print('##### Gaussian Noise (stadard deviation:0.8) dataset test #####')
correct_samples, wrong_samples = check_accuracy(gau_08_test_dl, model)
# 잘못 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Wrongly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(wrong_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()
# 정확하게 분류된 샘플 중 10개를 랜덤하게 선택하여 출력
print("Correctly classified samples:")
plt.figure(figsize=(10, 4)) # 전체 그림의 크기 설정
for i in range(10):
sample = random.choice(correct_samples)
input_img, true_label, predicted_label = sample
plt.subplot(2, 5, i + 1) # 2행 5열의 subplot 중 i+1 번째에 그림을 출력
plt.imshow(input_img.squeeze().cpu().numpy(), cmap='gray')
plt.title(f'True: {true_label}, Predicted: {predicted_label}')
plt.axis('off') # 축 제거
plt.tight_layout() # subplot 간격 자동 조절
plt.show()