PyTorch : Tutorial 中級 : 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 : 05/17/2018 (0.4.0)
* 本ページは、PyTorch Intermidiate Tutorials の – Spatial Transformer Networks Tutorial を
動作確認・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、適宜、追加改変している場合もあります。
* 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。
本文
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) を高め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 に単純にプラグインするアビリティです。
# 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し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)
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。
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: 以下の画像は実行結果です : )
Out:
Train Epoch: 1 [0/60000 (0%)] Loss: 2.297115 Train Epoch: 1 [32000/60000 (53%)] Loss: 0.948902 Test set: Average loss: 0.2371, Accuracy: 9323/10000 (93%) Train Epoch: 2 [0/60000 (0%)] Loss: 0.435741 Train Epoch: 2 [32000/60000 (53%)] Loss: 0.272999 Test set: Average loss: 0.1215, Accuracy: 9641/10000 (96%) Train Epoch: 3 [0/60000 (0%)] Loss: 0.256528 Train Epoch: 3 [32000/60000 (53%)] Loss: 0.497887 Test set: Average loss: 0.1254, Accuracy: 9612/10000 (96%) Train Epoch: 4 [0/60000 (0%)] Loss: 0.182472 Train Epoch: 4 [32000/60000 (53%)] Loss: 0.285030 Test set: Average loss: 0.0778, Accuracy: 9749/10000 (97%) Train Epoch: 5 [0/60000 (0%)] Loss: 0.333017 Train Epoch: 5 [32000/60000 (53%)] Loss: 0.195107 Test set: Average loss: 0.1506, Accuracy: 9523/10000 (95%) Train Epoch: 6 [0/60000 (0%)] Loss: 0.166007 Train Epoch: 6 [32000/60000 (53%)] Loss: 0.267899 Test set: Average loss: 0.0646, Accuracy: 9786/10000 (98%) Train Epoch: 7 [0/60000 (0%)] Loss: 0.129741 Train Epoch: 7 [32000/60000 (53%)] Loss: 0.166837 Test set: Average loss: 0.0571, Accuracy: 9811/10000 (98%) Train Epoch: 8 [0/60000 (0%)] Loss: 0.098625 Train Epoch: 8 [32000/60000 (53%)] Loss: 0.283886 Test set: Average loss: 0.0532, Accuracy: 9832/10000 (98%) Train Epoch: 9 [0/60000 (0%)] Loss: 0.232190 Train Epoch: 9 [32000/60000 (53%)] Loss: 0.056998 Test set: Average loss: 0.0548, Accuracy: 9835/10000 (98%) Train Epoch: 10 [0/60000 (0%)] Loss: 0.098180 Train Epoch: 10 [32000/60000 (53%)] Loss: 0.173006 Test set: Average loss: 0.0512, Accuracy: 9843/10000 (98%) Train Epoch: 11 [0/60000 (0%)] Loss: 0.198763 Train Epoch: 11 [32000/60000 (53%)] Loss: 0.082556 Test set: Average loss: 0.0452, Accuracy: 9863/10000 (99%) Train Epoch: 12 [0/60000 (0%)] Loss: 0.125281 Train Epoch: 12 [32000/60000 (53%)] Loss: 0.041822 Test set: Average loss: 0.0558, Accuracy: 9822/10000 (98%) Train Epoch: 13 [0/60000 (0%)] Loss: 0.220886 Train Epoch: 13 [32000/60000 (53%)] Loss: 0.296830 Test set: Average loss: 0.0401, Accuracy: 9869/10000 (99%) Train Epoch: 14 [0/60000 (0%)] Loss: 0.034315 Train Epoch: 14 [32000/60000 (53%)] Loss: 0.145938 Test set: Average loss: 0.0480, Accuracy: 9854/10000 (99%) Train Epoch: 15 [0/60000 (0%)] Loss: 0.024913 Train Epoch: 15 [32000/60000 (53%)] Loss: 0.040974 Test set: Average loss: 0.0416, Accuracy: 9864/10000 (99%) Train Epoch: 16 [0/60000 (0%)] Loss: 0.099197 Train Epoch: 16 [32000/60000 (53%)] Loss: 0.189908 Test set: Average loss: 0.0518, Accuracy: 9845/10000 (98%) Train Epoch: 17 [0/60000 (0%)] Loss: 0.154701 Train Epoch: 17 [32000/60000 (53%)] Loss: 0.212819 Test set: Average loss: 0.0473, Accuracy: 9857/10000 (99%) Train Epoch: 18 [0/60000 (0%)] Loss: 0.061061 Train Epoch: 18 [32000/60000 (53%)] Loss: 0.025670 Test set: Average loss: 0.0394, Accuracy: 9877/10000 (99%) Train Epoch: 19 [0/60000 (0%)] Loss: 0.110355 Train Epoch: 19 [32000/60000 (53%)] Loss: 0.065720 Test set: Average loss: 0.0371, Accuracy: 9879/10000 (99%) Train Epoch: 20 [0/60000 (0%)] Loss: 0.068162 Train Epoch: 20 [32000/60000 (53%)] Loss: 0.101386 Test set: Average loss: 0.0402, Accuracy: 9884/10000 (99%)
以上