MXNet 中文教程：图像分类

本人对于 MXNet 官方文档的 github 翻译页面：
https://github.com/ironyoung/mxnet/blob/master/docs/tutorials/computer_vision/image_classification.md

---

这个教程中，我们将标签分配给某张图片，并得到标签符合程度的评分高低。下列图片 (source) 展示了一个例子:

获取教程中的源代码：GitHub.

训练

针对特定的数据集训练模型，使用 train_dataset.py。例如：

• 为了训练一个 mnist 数据集上的 MLP 模型，使用以下命令：

  python train_mnist.py

• 为了在每个训练迭代时保存中间模型，使用以下命令：

  mkdir model; python train_mnist.py --model-prefix model/mnist

• 为了从第8个训练迭代时保存的模型重新开始训练，使用以下命令：

  python train_mnist.py --model-prefix model/mnist --load-epoch 8

• 为了选择另一种初始学习速率，并且将其在每半次训练迭代时以 0.9 的比例进行衰减，使用以下命令：

  python train_mnist.py --lr .1 --lr-factor .9 --lr-factor-epoch .5

• 为了使用 GPU 0 在 mnist 数据集上训练卷积神经网络，使用以下命令：

  python train_mnist.py --network lenet --gpus 0

• 为了使用多块 GPU，需要指定列表；例如: ---gpus 0,1,3.

• To see more options, use --help.

分布式训练

为了加速训练过程，可以利用多台电脑进行训练。

• 使用 2 个 workder 进程，快速测试你本地电脑的分布式训练：

  ../../tools/launch.py -n 2 python train_mnist.py --kv-store dist_sync

你可以任意使用同步的 SGD dist_sync 或者异步的 SGD
dist_async（SGD：随机梯度下降法）。

• 如果你可以使用 SSH 连接多台电脑，并且 mxnet 文件夹可以被这些电脑访问到 (作为一整个 NFS 被安装；查看教程：Ubuntu)，那么就可以在这些电脑上运行一个作业，首先通过在文件上保存他们的 hostname，例如：

  $ cat hosts  172.30.0.172  172.30.0.171

• 使用 -H 选项传递这个文件:

  ../../tools/launch.py -n 2 -H hosts python train_mnist.py --kv-store dist_sync

• 如果 mxnet 文件夹在其他电脑上不可使用，复制 mxnet 库文件到这个示例文件夹中：

  cp -r ../../python/mxnet .  cp -r ../../lib/libmxnet.so mxnet

然后在运行之前，将此文件夹同步到其他电脑 /tmp/mxnet 中:

  ../../tools/launch.py -n 2 -H hosts --sync-dir /tmp/mxnet python train_mnist.py --kv-store dist_sync

更多的安装选项，例如使用 YARN，以及关于如何编写分布式训练的程序的信息，请参见教程.

生成预测值

你有几个选项用于生成预测值：

• 使用 预先训练完毕的模型. 更多预先训练完毕的模型展示在 model gallery；
• 使用你自己的数据集；
• 你可以方便地运行并得到预测值在多种设备上，例如
  Android/iOS。

使用你自己的数据集

有两种方式用于向 MXNet 中输入数据：

• 将所有例子打包到一个或多个压缩的 recordio 文件中。更多有关信息请参见 逐步教程 和 使用文档。需要在打包时避免一个常见的疏忽：随机化图片列表。这回造成训练失败，例如 accuracy 在几轮训练中都保持为 0.001。

  注意： 我们自动下载了几个小型数据集，例如 mnist 和 cifar10。

• 对于小数据集而言，可以被简单地导入到内存中，这里是一个例子：

        from sklearn.datasets import fetch_mldata        from sklearn.utils import shuffle        mnist = fetch_mldata('MNIST original', data_home="./mnist")        # shuffle data        X, y = shuffle(mnist.data, mnist.target)        # split dataset        train_data = X[:50000, :].astype('float32')        train_label = y[:50000]        val_data = X[50000: 60000, :].astype('float32')        val_label = y[50000:60000]        # Normalize data        train_data[:] /= 256.0        val_data[:] /= 256.0        # create a numpy iterator        batch_size = 100        train_iter = mx.io.NDArrayIter(train_data, train_label, batch_size=batch_size, shuffle=True)        val_iter = mx.io.NDArrayIter(val_data, val_label, batch_size=batch_size)        # create model as usual: model = mx.model.FeedForward(...)        model.fit(X = train_iter, eval_data = val_iter)

提高性能

下列因素可以极大提高性能：

• 快速处理数据的后端。一个快速 BLAS 库，例如 openblas、atlas 和 mkl，在你使用 CPU 处理器进行训练时是必需的。而对于英伟达的 GPU 而言，我们强烈建议使用 CUDNN。

• 输入数据:

  • 数据格式。使用 .rec 数据格式。

  • 解码线程的数量。默认情况下，MXNet 使用 CPU 线程来解码图片，可以每秒解码多余 1 Kb 的图片。如果你在使用高档的 CPU 或者性能强劲的 GPU，可以增加线程数量。

  • 数据存储位置。任何本地或者分布式文件系统（HDFS, Amazon S3）都可以。然而，如果多台电脑同时读取网络共享文件系统（network shared file system，NFS）中的数据，你可能会遇到问题。

  • 批处理尺寸。我们推荐使用 GPU 显存的最大容量来容纳。当尺寸取值太大时，可能会造成收敛速度变慢。一个对于 CIFAR 10 数据库的安全批处理尺寸大约是 200；对于 ImageNet 1K，批处理尺寸大小可以超过 1 Kb。

• 如果你用到了多块 GPU，需要使用 kvstore。更多信息请参见这份指导文档.

  • 对于单台电脑而言，默认参数 local 一般足够。对于大小超过 100 MB 的模型，例如 AlexNet 和 VGG，你可能想要使用参数 local_allreduce_device。参数 local_allreduce_device 相较于其他参数使用了更多的 GPU 显存。

  • 对于多台电脑而言，我们首先推荐尝试使用参数 dist_sync。如果这个模型太大，或者你使用到了大量的电脑，你可能想要使用参数 dist_async。

实验结果

• 电脑配置

name hardware software GTX980 Xeon E5-1650 v3, 4 x GTX 980 GCC 4.8, CUDA 7.5, CUDNN 3 TitanX dual Xeon E5-2630 v3, 4 x GTX Titan X GCC 4.8, CUDA 7.5, CUDNN 3 EC2-g2.8x Xeon E5-2670, 2 x GRID K520, 10G Ethernet GCC 4.8, CUDA 7.5, CUDNN 3

- 数据集

name class image size training testing CIFAR 10 10 28 × 28 × 3 60,000 10,000 ILSVRC 12 1,000 227 × 227 × 3 1,281,167 50,000

CIFAR 10

• 命令

python train_cifar10.py --batch-size 128 --lr 0.1 --lr-factor .94 --num-epoch 50

• 效率

1 GTX 980 2 GTX 980 4 GTX 980 842 img/sec 1640 img/sec 2943 img/sec

- 准确率 vs 迭代次数（交互式图表）：

ILSVRC 12

VGG

train_imagenet.py with --network vgg

• 效率

Cluster machines GPUs batch size kvstore epoch time TitanX 1 1 96 none 14,545 - - 2 - local 19,692 - - 4 - - 20,014 - - 2 - local_allreduce_device 9,142 - - 4 - - 8,533 - - - 384 - 5,161

开始批处理正交化

train_imagenet.py with --network inception-bn

• 效率

Cluster machines GPUs batch size kvstore epoch time GTX980 1 1 32 local 13,210 - - 2 64 - 7,198 - - 3 128 - 4,952 - - 4 - - 3,589 TitanX 1 1 128 none 10,666 - - 2 - local 5,161 - - 3 - - 3,460 - - 4 - - 2,844 - - - 512 - 2,495 EC2-g2.8x 1 4 144 local 14,203 - 10 40 144 dist_sync 1,422

- 收敛

• 单机 :

  python train_imagenet.py --batch-size 144 --lr 0.05 --lr-factor .94 \    --gpus 0,1,2,3 --num-epoch 60 --network inception-bn \    --data-dir ilsvrc12/ --model-prefix model/ilsvrc12

• 10 x g2.8x : hosts 包含 10 台电脑的私有 IP 地址

  ../../tools/launch.py -H hosts -n 10 --sync-dir /tmp/mxnet  \    python train_imagenet.py --batch-size 144 --lr 0.05 --lr-factor .94 \      --gpus 0,1,2,3 --num-epoch 60 --network inception-bn \      --kv-store dist_sync \      --data-dir s3://dmlc/ilsvrc12/  --model-prefix s3://dmlc/model/ilsvrc12

  注意: Amazon S3 上偶尔的不稳定性可能会造成训练中断或者频繁生成错误，首先需要组织下载数据到 /mnt 文件夹中。

  • 准确率 vs. 迭代次数 (交互式图表):

  

下一步

• MXNet 教程索引