跳转到主要内容
博客

引入 TorchVision 的新多权重支持 API

作者： 2021 年 12 月 22 日2024 年 11 月 15 日无评论

TorchVision 有了一个全新的向后兼容 API，用于构建支持多权重的模型。新 API 允许在同一模型变体上加载不同的预训练权重，跟踪重要的元数据（如分类标签），并包含使用模型所需的预处理转换。在本篇博客文章中，我们计划回顾原型 API，展示其功能，并强调与现有 API 的主要区别。

我们希望在最终确定 API 之前听取您的想法。为了收集您的反馈，我们创建了一个Github Issue，您可以在其中发布您的想法、问题和评论。

当前 API 的局限性

TorchVision 目前提供预训练模型，这些模型可以作为迁移学习的起点，或直接用于计算机视觉应用。实例化预训练模型并进行预测的典型方法是：

import torch

from PIL import Image
from torchvision import models as M
from torchvision.transforms import transforms as T


img = Image.open("test/assets/encode_jpeg/grace_hopper_517x606.jpg")

# Step 1: Initialize model
model = M.resnet50(pretrained=True)
model.eval()

# Step 2: Define and initialize the inference transforms
preprocess = T.Compose([
    T.Resize([256, ]),
    T.CenterCrop(224),
    T.PILToTensor(),
    T.ConvertImageDtype(torch.float),
    T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

# Step 3: Apply inference preprocessing transforms
batch = preprocess(img).unsqueeze(0)
prediction = model(batch).squeeze(0).softmax(0)

# Step 4: Use the model and print the predicted category
class_id = prediction.argmax().item()
score = prediction[class_id].item()
with open("imagenet_classes.txt", "r") as f:
    categories = [s.strip() for s in f.readlines()]
    category_name = categories[class_id]
print(f"{category_name}: {100 * score}%")

上述方法存在一些局限性：

  1. 无法支持多个预训练权重：由于 `pretrained` 变量是布尔值，我们只能提供一套权重。当我们要显著提高现有模型的准确性并希望将这些改进提供给社区时，这带来了严重的限制。它也阻止我们提供同一模型变体在不同数据集上的预训练权重。
  2. 缺少推理/预处理转换：用户在使用模型之前被迫定义必要的转换。推理转换通常与训练过程和用于估计权重的数据集相关联。这些转换中的任何微小差异（例如插值值、调整大小/裁剪大小等）都可能导致准确性大幅下降或模型无法使用。
  3. 缺少元数据：与权重相关的关键信息对用户不可用。例如，需要查阅外部来源和文档才能找到类别标签、训练秘籍、准确性指标等信息。

新 API 解决了上述限制，并减少了标准任务所需的样板代码量。

原型 API 概述

让我们看看如何使用新 API 实现与上述完全相同的结果：

from PIL import Image
from torchvision.prototype import models as PM


img = Image.open("test/assets/encode_jpeg/grace_hopper_517x606.jpg")

# Step 1: Initialize model
weights = PM.ResNet50_Weights.IMAGENET1K_V1
model = PM.resnet50(weights=weights)
model.eval()

# Step 2: Initialize the inference transforms
preprocess = weights.transforms()

# Step 3: Apply inference preprocessing transforms
batch = preprocess(img).unsqueeze(0)
prediction = model(batch).squeeze(0).softmax(0)

# Step 4: Use the model and print the predicted category
class_id = prediction.argmax().item()
score = prediction[class_id].item()
category_name = weights.meta["categories"][class_id]
print(f"{category_name}: {100 * score}*%*")

正如我们所见，新 API 消除了上述限制。让我们详细探讨新功能。

多权重支持

新 API 的核心是能够为同一模型变体定义多个不同的权重。每个模型构建方法（例如 `resnet50`）都有一个关联的 Enum 类（例如 `ResNet50_Weights`），其中包含与可用预训练权重数量一样多的条目。此外，每个 Enum 类都有一个 `DEFAULT` 别名，指向特定模型的最佳可用权重。这使得希望始终使用最佳可用权重的用户无需修改代码即可实现。

这是一个使用不同权重初始化模型的示例：

from torchvision.prototype.models import resnet50, ResNet50_Weights

# Legacy weights with accuracy 76.130%
model = resnet50(weights=ResNet50_Weights.IMAGENET1K_V1)

# New weights with accuracy 80.858%
model = resnet50(weights=ResNet50_Weights.IMAGENET1K_V2)

# Best available weights (currently alias for IMAGENET1K_V2)
model = resnet50(weights=ResNet50_Weights.DEFAULT)

# No weights - random initialization
model = resnet50(weights=None)

相关元数据和预处理转换

每个模型的权重都与元数据相关联。我们存储的信息类型取决于模型的任务（分类、检测、分割等）。典型的信息包括训练秘籍的链接、插值模式、类别信息和验证指标。这些值可以通过 `meta` 属性以编程方式访问。

from torchvision.prototype.models import ResNet50_Weights

# Accessing a single record
size = ResNet50_Weights.IMAGENET1K_V2.meta["size"]

# Iterating the items of the meta-data dictionary
for k, v in ResNet50_Weights.IMAGENET1K_V2.meta.items():
    print(k, v)

此外，每个权重条目都与必要的预处理转换相关联。所有当前的预处理转换都是 JIT 可脚本的，可以通过 `transforms` 属性访问。在使用数据之前，需要初始化/构建转换。这种延迟初始化方案旨在确保解决方案的内存效率。转换的输入可以是 `PIL.Image` 或使用 `torchvision.io` 读取的 `Tensor`。

from torchvision.prototype.models import ResNet50_Weights

# Initializing preprocessing at standard 224x224 resolution
preprocess = ResNet50_Weights.IMAGENET1K_V2.transforms()

# Initializing preprocessing at 400x400 resolution
preprocess = ResNet50_Weights.IMAGENET1K_V2.transforms(crop_size=400, resize_size=400)

# Once initialized the callable can accept the image data:
# img_preprocessed = preprocess(img)

将权重与其元数据和预处理相关联将提高透明度，改善可复现性，并更容易记录一组权重的生成方式。

按名称获取权重

直接将权重与其属性（元数据、预处理可调用对象等）关联的能力是我们实现使用枚举而不是字符串的原因。尽管如此，在只有权重名称可用的情况下，我们提供了一种能够将权重名称链接到其枚举的方法：

from torchvision.prototype.models import get_weight

# Weights can be retrieved by name:
assert get_weight("ResNet50_Weights.IMAGENET1K_V1") == ResNet50_Weights.IMAGENET1K_V1
assert get_weight("ResNet50_Weights.IMAGENET1K_V2") == ResNet50_Weights.IMAGENET1K_V2

# Including using the DEFAULT alias:
assert get_weight("ResNet50_Weights.DEFAULT") == ResNet50_Weights.IMAGENET1K_V2

弃用

在新 API 中，以前用于将权重加载到完整模型或其骨干的布尔参数 `pretrained` 和 `pretrained_backbone` 已被弃用。当前实现完全向后兼容，因为它将旧参数无缝映射到新参数。在新的构建器中使用旧参数会发出以下弃用警告：

>>> model = torchvision.prototype.models.resnet50(pretrained=True)
 UserWarning: The parameter 'pretrained' is deprecated, please use 'weights' instead.
UserWarning:
Arguments other than a weight enum or `None` for 'weights' are deprecated.
The current behavior is equivalent to passing `weights=ResNet50_Weights.IMAGENET1K_V1`.
You can also use `weights=ResNet50_Weights.DEFAULT` to get the most up-to-date weights.

此外，构建器方法要求使用关键字参数。使用位置参数已被弃用，使用它们会发出以下警告：

>>> model = torchvision.prototype.models.resnet50(None)
UserWarning:
Using 'weights' as positional parameter(s) is deprecated.
Please use keyword parameter(s) instead.

测试新 API

迁移到新 API 非常简单。两个 API 之间的以下方法调用都是等效的：

# Using pretrained weights:
torchvision.prototype.models.resnet50(weights=ResNet50_Weights.IMAGENET1K_V1)
torchvision.models.resnet50(pretrained=True)
torchvision.models.resnet50(True)

# Using no weights:
torchvision.prototype.models.resnet50(weights=None)
torchvision.models.resnet50(pretrained=False)
torchvision.models.resnet50(False)

请注意，原型功能仅在 TorchVision 的夜间版本中可用，因此要使用它，您需要按如下方式安装：

conda install torchvision -c pytorch-nightly

有关安装夜间版本的其他方法，请查看 PyTorch 的下载页面。您也可以从最新的主分支从源代码安装 TorchVision；有关更多信息，请查看我们的仓库。

使用新 API 访问最先进的模型权重

如果您仍然不确定是否尝试新 API，这里还有一个理由。我们最近更新了我们的训练秘籍，并从我们的许多模型中获得了 SOTA 精度。改进的权重可以通过新 API 轻松访问。以下是模型改进的快速概述：

模型旧 Acc@1新 Acc@1
EfficientNet B178.64279.838
MobileNetV3 Large74.04275.274
量化 ResNet5075.9280.282
量化 ResNeXt101 32x8d78.98682.574
RegNet X 400mf72.83474.864
RegNet X 800mf75.21277.522
RegNet X 1 6gf77.0479.668
RegNet X 3 2gf78.36481.198
RegNet X 8gf79.34481.682
RegNet X 16gf80.05882.72
RegNet X 32gf80.62283.018
RegNet Y 400mf74.04675.806
RegNet Y 800mf76.4278.838
RegNet Y 1 6gf77.9580.882
RegNet Y 3 2gf78.94881.984
RegNet Y 8gf80.03282.828
RegNet Y 16gf80.42482.89
RegNet Y 32gf80.87883.366
ResNet5076.1380.858
ResNet10177.37481.886
ResNet15278.31282.284
ResNeXt50 32x4d77.61881.198
ResNeXt101 32x8d79.31282.834
Wide ResNet50 278.46881.602
Wide ResNet101 278.84882.51

请花几分钟时间提供您对新 API 的反馈，因为这对于将其从原型升级并纳入下个版本至关重要。您可以在专门的Github Issue上进行。我们期待阅读您的评论！