[[412621]]

【51CTO.com快譯】一、簡介

圖像分類是我們想要預測哪個類別屬于圖像的任務。由于圖像表示，這項任務很困難。如果我們將圖像鋪平，它會創建一個長長的一維向量。此外，該表示將丟失相鄰信息。因此，我們需要深度學習來提取特征并預測結果。

有時，構建深度學習模型會成為一項艱巨的任務。雖然我們為圖像分類創建了一個基礎模型，但需要花大量時間來創建代碼。我們必須準備好用于準備數據、訓練模型并測試模型的代碼，并將模型部署到服務器上。這時Flash就有了用武之地!

Flash是一種高級深度學習框架，用于快速構建、訓練和測試深度學習模型。Flash基于PyTorch框架。所以如果您了解PyTorch，就會很熟悉Flash。

與PyTorch和Lighting相比，Flash易于使用，但不如以前的庫靈活。如果您想構建更復雜的模型，可以使用Lightning或直接使用PyTorch。

借助Flash，您可以用幾行代碼構建深度學習模型!因此，如果您剛接觸深度學習，別害怕。Flash可以幫助您構建深度學習模型，不會因代碼而感到困惑。

本文將介紹如何使用Flash構建圖像分類器。

二、實施

安裝庫

想安裝庫，您可以使用pip命令，如下所示：

pip install lightning-flash 

如果該命令不起作用，可以使用其GitHub存儲庫安裝該庫。命令如下所示：

pip install git+https://github.com/PyTorchLightning/lightning-flash.git 

在我們可以成功下載軟件包之后，現在可以加載庫。我們還將種子設為編號42。這是執行此操作的代碼：

from pytorch_lightning import seed_everything 
 
import flash 
from flash.core.classification import Labels 
from flash.core.data.utils import download_data 
from flash.image import ImageClassificationData, ImageClassifier 
 
# set the random seeds. 
seed_everything(42) 
Global seed set to 42  
42 

下載數據

安裝完庫后，現在不妨獲取數據。出于演示需要，我們將使用名為Cat和Dog數據集的數據集。

該數據集含有兩個類別：貓和狗的圖像。想訪問數據集，您可以在Kaggle找到該數據集。可以在此處訪問數據集。

加載數據

下載數據后，不妨將數據集加載到一個對象中。我們將使用from_folders方法將數據放入到ImageClassification對象中。這是執行此操作的代碼：

datamodule = ImageClassificationData.from_folders( 
    train_folder="cat_and_dog/training_set", 
    val_folder="cat_and_dog/validation_set", 
) 

加載模型

我們加載數據后，下一步就是加載模型。由于我們不會從頭開始構建自己的架構，將使用基于現有卷積神經網絡架構的預訓練模型。

我們將使用已經過預訓練的ResNet-50模型。此外，我們基于數據集設置類別的數量。這是執行此操作的代碼：

model = ImageClassifier(backbone="resnet50", num_classes=datamodule.num_classes) 

訓練模型

加載模型后，現在不妨訓練模型。我們需要先初始化Trainer對象。我們將用3個輪次(epoch)訓練模型。此外，我們啟用GPU以訓練模型。這是執行此操作的代碼：

trainer = flash.Trainer(max_epochs=3, gpus=1) 
GPU available: True, used: True TPU available: False, using: 0 TPU cores 

初始化對象后，不妨訓練模型。為訓練模型，我們可以使用一個名為finetune的函數。在函數里面，我們設置模型和數據。此外，我們將訓練策略設置為freeze(凍結)，這表明我們不想訓練特征提取器。換句話說，我們只訓練分類器部分。

這是執行此操作的代碼：

trainer.finetune(model, datamodule=datamodule, strategy="freeze") 
LOCAL_RANK: 0 - CUDA_VISIBLE_DEVICES: [0] | Name | Type | Params ---------------------------------------- 0 | metrics | ModuleDict | 0 1 | backbone | Sequential | 23.5 M 2 | head | Sequential | 4.1 K ---------------------------------------- 57.2 K Trainable params 23.5 M Non-trainable params 23.5 M Total params 94.049 Total estimated model params size (MB)  
Validation sanity check: 0it [00:00, ?it/s] 
Global seed set to 42  
Training: 0it [00:00, ?it/s] 
Validating: 0it [00:00, ?it/s] 
Validating: 0it [00:00, ?it/s] 
Validating: 0it [00:00, ?it/s] 

這是評估結果：

從結果中可以看出，我們的模型其準確率達到了約97%。不賴!現在不妨拿幾個新數據測試模型。

測試模型

我們將使用針對該模型沒有訓練過的樣本數據。以下是我們將測試模型的樣本：

import matplotlib.pyplot as plt 
from PIL import Image 
 
fig, ax = plt.subplots(1, 5, figsize=(40,8)) 
for i in range(5): 
    ax[i].imshow(Image.open(f'cat_and_dog/testing/{i+1}.jpg')) 
plt.show() 

為了測試模型，我們可以使用flash庫中的predict方法。這是執行此操作的代碼：

model.serializer = Labels() 
 
predictions = model.predict(["cat_and_dog/testing/1.jpg", 
                             "cat_and_dog/testing/2.jpg", 
                             "cat_and_dog/testing/3.jpg", 
                             "cat_and_dog/testing/4.jpg", 
                             "cat_and_dog/testing/5.jpg"]) 
print(predictions) 
['dogs', 'dogs', 'cats', 'cats', 'dogs'] 

從上面的結果可以看出，模型預測了帶有正確標簽的樣本。很好!不妨保存模型以備后用。

保存模型

我們已訓練并測試了模型。不妨使用save_checkpoint方法保存模型。這是執行此操作的代碼：

trainer.save_checkpoint("cat_dog_classifier.pt") 

如果您想針對其他代碼加載模型，可以使用load_from_checkpoint方法。這是執行此操作的代碼：

model = ImageClassifier.load_from_checkpoint("cat_dog_classifier.pt") 

三、結語

做得好!您已學習了如何使用Flash構建圖像分類器。正如文章開頭所說，它只需要幾行代碼!是不是很酷?

但愿本文可以幫助您根據自己的情況構建自己的深度學習模型。如果您想實施一個更復雜的模型，但愿能開始學習 PyTorch。

原文標題：How to Build An Image Classifier in Few Lines of Code with Flash，作者：Irfan Alghani Khalid

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】