PyTorch 1.1 Tutorials : 画像 : Spatial Transformer ネットワーク (翻訳/解説)
翻訳 : (株)クラスキャット セールスインフォメーション
作成日時 : 07/15/2019 (1.1.0)
* 本ページは、PyTorch 1.1 Tutorials : Image の SPATIAL TRANSFORMER NETWORKS TUTORIAL を翻訳した上で適宜、補足説明したものです：
* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。
画像 : Spatial Transformer ネットワーク
このチュートリアルでは、spatial transformer ネットワークと呼ばれる視覚 attention メカニズムを使用して貴方のネットワークをどのように増強するかを学習します。DeepMind paper で spatial transformer ネットワークについて更に読むことができます。
Spatial transformer ネットワークは微分可能 attention の任意の空間変換への一般化です。Spatial transformer ネットワーク (略して STN) は、ニューラルネットワークにモデルの幾何学的不変性 (= invariance) を強化するために入力画像上でどのように空間変換を遂行するかを学習させることを可能にします。例えば、それは関心領域をクロップして、スケールしてそして画像の方向性 (= orientation) を正すことができます。それは有用なメカニズムになりえます、何故ならば CNN は回転とスケールと更に一般的なアフィン変換に対して不変ではないからです。
STN について最良なことの一つはそれを非常に少ない変更で任意の既存の CNN にそれを単純にプラグインできる機能です。
# License: BSD # Author: Ghassen Hamrouni from __future__ import print_function import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import torchvision from torchvision import datasets, transforms import matplotlib.pyplot as plt import numpy as np plt.ion() # interactive mode
データをロードする
この投稿では古典的な MNIST データセットで実験します。spatial transformer ネットワークで増強された標準的な畳み込みネットワークを使用して。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# Training dataset
train_loader = torch.utils.data.DataLoader(
datasets.MNIST(root='.', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])), batch_size=64, shuffle=True, num_workers=4)
# Test dataset
test_loader = torch.utils.data.DataLoader(
datasets.MNIST(root='.', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])), batch_size=64, shuffle=True, num_workers=4)
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz to ./MNIST/raw/train-images-idx3-ubyte.gz Extracting ./MNIST/raw/train-images-idx3-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz to ./MNIST/raw/train-labels-idx1-ubyte.gz Extracting ./MNIST/raw/train-labels-idx1-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz to ./MNIST/raw/t10k-images-idx3-ubyte.gz Extracting ./MNIST/raw/t10k-images-idx3-ubyte.gz Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz to ./MNIST/raw/t10k-labels-idx1-ubyte.gz Extracting ./MNIST/raw/t10k-labels-idx1-ubyte.gz Processing... Done!
spatial transformer ネットワークを描写する
Spatial transformer ネットワークは 3 つの主要なコンポーネントに要約されます :
- localization ネットワークは通常の CNN で変換パラメータを回帰します。変換はこのデータセットからは決して明示的に学習されず、代わりにネットワークは global 精度を高める空間変換を自動的に学習します。
- grid generator は出力画像からの各ピクセルに対応する、入力画像内の座標のグリッドを生成します。
- sampler は変換のパラメータを使用してそれを入力画像に適用します。
Note: affine_grid と grid_sample モジュールを含む PyTorch の最新版が必要です。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
# Spatial transformer localization-network
self.localization = nn.Sequential(
nn.Conv2d(1, 8, kernel_size=7),
nn.MaxPool2d(2, stride=2),
nn.ReLU(True),
nn.Conv2d(8, 10, kernel_size=5),
nn.MaxPool2d(2, stride=2),
nn.ReLU(True)
)
# Regressor for the 3 * 2 affine matrix
self.fc_loc = nn.Sequential(
nn.Linear(10 * 3 * 3, 32),
nn.ReLU(True),
nn.Linear(32, 3 * 2)
)
# Initialize the weights/bias with identity transformation
self.fc_loc[2].weight.data.zero_()
self.fc_loc[2].bias.data.copy_(torch.tensor([1, 0, 0, 0, 1, 0], dtype=torch.float))
# Spatial transformer network forward function
def stn(self, x):
xs = self.localization(x)
xs = xs.view(-1, 10 * 3 * 3)
theta = self.fc_loc(xs)
theta = theta.view(-1, 2, 3)
grid = F.affine_grid(theta, x.size())
x = F.grid_sample(x, grid)
return x
def forward(self, x):
# transform the input
x = self.stn(x)
# Perform the usual forward pass
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
return F.log_softmax(x, dim=1)
model = Net().to(device)
モデルを訓練する
さて、モデルを訓練するために SGD アルゴリズムを使用しましょう。ネットワークは教師ありの方法で分類タスクを学習します。同時にモデルは STN を end-to-end 流儀で自動的に学習します。
optimizer = optim.SGD(model.parameters(), lr=0.01)
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 500 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
#
# A simple test procedure to measure STN the performances on MNIST.
#
def test():
with torch.no_grad():
model.eval()
test_loss = 0
correct = 0
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
# sum up batch loss
test_loss += F.nll_loss(output, target, size_average=False).item()
# get the index of the max log-probability
pred = output.max(1, keepdim=True)[1]
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'
.format(test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
STN 結果を可視化する
さて、私達の学習された視覚 attention メカニズムの結果を調査します。
訓練の間に変換を可視化するための小さいヘルパー関数を定義します。
def convert_image_np(inp):
"""Convert a Tensor to numpy image."""
inp = inp.numpy().transpose((1, 2, 0))
mean = np.array([0.485, 0.456, 0.406])
std = np.array([0.229, 0.224, 0.225])
inp = std * inp + mean
inp = np.clip(inp, 0, 1)
return inp
# We want to visualize the output of the spatial transformers layer
# after the training, we visualize a batch of input images and
# the corresponding transformed batch using STN.
def visualize_stn():
with torch.no_grad():
# Get a batch of training data
data = next(iter(test_loader))[0].to(device)
input_tensor = data.cpu()
transformed_input_tensor = model.stn(data).cpu()
in_grid = convert_image_np(
torchvision.utils.make_grid(input_tensor))
out_grid = convert_image_np(
torchvision.utils.make_grid(transformed_input_tensor))
# Plot the results side-by-side
f, axarr = plt.subplots(1, 2)
axarr[0].imshow(in_grid)
axarr[0].set_title('Dataset Images')
axarr[1].imshow(out_grid)
axarr[1].set_title('Transformed Images')
for epoch in range(1, 20 + 1):
train(epoch)
test()
# Visualize the STN transformation on some input batch
visualize_stn()
plt.ioff()
plt.show()
(訳注: 以下の画像は実験結果です :)
Train Epoch: 1 [0/60000 (0%)] Loss: 2.303413 Train Epoch: 1 [32000/60000 (53%)] Loss: 0.939569 Test set: Average loss: 0.2019, Accuracy: 9446/10000 (94%) Train Epoch: 2 [0/60000 (0%)] Loss: 0.461845 Train Epoch: 2 [32000/60000 (53%)] Loss: 0.364221 Test set: Average loss: 0.1123, Accuracy: 9659/10000 (97%) Train Epoch: 3 [0/60000 (0%)] Loss: 0.483619 Train Epoch: 3 [32000/60000 (53%)] Loss: 0.250331 Test set: Average loss: 0.1152, Accuracy: 9658/10000 (97%) Train Epoch: 4 [0/60000 (0%)] Loss: 0.299757 Train Epoch: 4 [32000/60000 (53%)] Loss: 0.303673 Test set: Average loss: 0.1567, Accuracy: 9535/10000 (95%) Train Epoch: 5 [0/60000 (0%)] Loss: 0.536961 Train Epoch: 5 [32000/60000 (53%)] Loss: 0.115993 Test set: Average loss: 0.1536, Accuracy: 9558/10000 (96%) Train Epoch: 6 [0/60000 (0%)] Loss: 0.203279 Train Epoch: 6 [32000/60000 (53%)] Loss: 0.104078 Test set: Average loss: 0.0703, Accuracy: 9789/10000 (98%) Train Epoch: 7 [0/60000 (0%)] Loss: 0.257544 Train Epoch: 7 [32000/60000 (53%)] Loss: 0.257053 Test set: Average loss: 0.0652, Accuracy: 9792/10000 (98%) Train Epoch: 8 [0/60000 (0%)] Loss: 0.152974 Train Epoch: 8 [32000/60000 (53%)] Loss: 0.191143 Test set: Average loss: 0.0989, Accuracy: 9719/10000 (97%) Train Epoch: 9 [0/60000 (0%)] Loss: 0.088243 Train Epoch: 9 [32000/60000 (53%)] Loss: 0.110780 Test set: Average loss: 0.0776, Accuracy: 9773/10000 (98%) Train Epoch: 10 [0/60000 (0%)] Loss: 0.128588 Train Epoch: 10 [32000/60000 (53%)] Loss: 0.060991 Test set: Average loss: 0.0722, Accuracy: 9781/10000 (98%) Train Epoch: 11 [0/60000 (0%)] Loss: 0.161640 Train Epoch: 11 [32000/60000 (53%)] Loss: 0.067113 Test set: Average loss: 0.0536, Accuracy: 9831/10000 (98%) Train Epoch: 12 [0/60000 (0%)] Loss: 0.038447 Train Epoch: 12 [32000/60000 (53%)] Loss: 0.289063 Test set: Average loss: 0.0532, Accuracy: 9844/10000 (98%) Train Epoch: 13 [0/60000 (0%)] Loss: 0.116673 Train Epoch: 13 [32000/60000 (53%)] Loss: 0.101259 Test set: Average loss: 0.0489, Accuracy: 9856/10000 (99%) Train Epoch: 14 [0/60000 (0%)] Loss: 0.053998 Train Epoch: 14 [32000/60000 (53%)] Loss: 0.079930 Test set: Average loss: 0.0570, Accuracy: 9836/10000 (98%) Train Epoch: 15 [0/60000 (0%)] Loss: 0.264861 Train Epoch: 15 [32000/60000 (53%)] Loss: 0.045214 Test set: Average loss: 0.0747, Accuracy: 9763/10000 (98%) Train Epoch: 16 [0/60000 (0%)] Loss: 0.205522 Train Epoch: 16 [32000/60000 (53%)] Loss: 0.070471 Test set: Average loss: 0.0477, Accuracy: 9857/10000 (99%) Train Epoch: 17 [0/60000 (0%)] Loss: 0.219860 Train Epoch: 17 [32000/60000 (53%)] Loss: 0.102519 Test set: Average loss: 0.0448, Accuracy: 9874/10000 (99%) Train Epoch: 18 [0/60000 (0%)] Loss: 0.055062 Train Epoch: 18 [32000/60000 (53%)] Loss: 0.037747 Test set: Average loss: 0.0448, Accuracy: 9860/10000 (99%) Train Epoch: 19 [0/60000 (0%)] Loss: 0.040312 Train Epoch: 19 [32000/60000 (53%)] Loss: 0.065574 Test set: Average loss: 0.0430, Accuracy: 9876/10000 (99%) Train Epoch: 20 [0/60000 (0%)] Loss: 0.056983 Train Epoch: 20 [32000/60000 (53%)] Loss: 0.071067 Test set: Average loss: 0.0529, Accuracy: 9852/10000 (99%)
以上