使用基于 PyTorch 构建的 USB 进行半监督学习¶

创建日期：2023 年 12 月 07 日 | 最后更新：2024 年 03 月 07 日 | 最后验证：未验证

作者: Hao Chen

统一半监督学习基准 (USB) 是一个基于 PyTorch 构建的半监督学习 (SSL) 框架。基于 PyTorch 提供的 Datasets 和 Modules，USB 成为了一个灵活、模块化且易于使用的半监督学习框架。它支持多种半监督学习算法，包括 FixMatch、FreeMatch、DeFixMatch、SoftMatch 等。它还支持多种非均衡半监督学习算法。USB 中包含了在计算机视觉、自然语言处理和语音处理等不同数据集上的基准测试结果。

本教程将引导你了解 USB 基础包的使用方法。让我们从在 CIFAR-10 数据集上使用预训练的 Vision Transformers (ViT) 训练一个 FreeMatch/SoftMatch 模型开始！我们将展示更改半监督算法并在非均衡数据集上进行训练是多么容易。

半监督学习中的 FreeMatch 和 SoftMatch 入门¶

在此，我们简要介绍一下 FreeMatch 和 SoftMatch。首先，我们介绍一个著名的半监督学习基线算法 FixMatch。 FixMatch 是一个非常简单的半监督学习框架，它利用强数据增强为未标记数据生成伪标签。它采用置信度阈值策略，通过固定的阈值设置来过滤低置信度的伪标签。FreeMatch 和 SoftMatch 是在 FixMatch 基础上改进的两种算法。FreeMatch 提出了自适应阈值策略来取代 FixMatch 中的固定阈值策略。自适应阈值根据模型在每个类别上的学习状态逐步增加阈值。SoftMatch 吸收了置信度阈值的思想作为权重机制。它提出了一种高斯加权机制来克服伪标签中的数量-质量权衡问题。在本教程中，我们将使用 USB 来训练 FreeMatch 和 SoftMatch。

使用 USB 在仅有 40 个标签的 CIFAR-10 数据集上训练 FreeMatch/SoftMatch¶

USB 易于使用和扩展，对于小型团队来说是负担得起的，并且对于开发和评估 SSL 算法来说是全面的。USB 提供了基于一致性正则化的 14 种 SSL 算法的实现，以及来自 CV、NLP 和音频领域的 15 个评估任务。它具有模块化设计，允许用户通过添加新算法和任务轻松扩展该包。它还支持 Python API，以便更容易地在新数据上适应不同的 SSL 算法。

现在，让我们使用 USB 在 CIFAR-10 数据集上训练 FreeMatch 和 SoftMatch。首先，我们需要安装 USB 包 semilearn 并从 USB 导入必要的 API 函数。如果你在 Google Colab 中运行此代码，可以通过运行以下命令安装 semilearn：!pip install semilearn。

以下是我们将从 semilearn 中使用的一些函数列表

• get_dataset 用于加载数据集，这里我们使用 CIFAR-10

• get_data_loader 用于创建训练（有标签和无标签）和测试数据加载器，训练无标签数据加载器将提供未标记数据的强增强和弱增强

- get_net_builder 用于创建模型，这里我们使用预训练的 ViT - get_algorithm 用于创建半监督学习算法，这里我们使用 FreeMatch 和 SoftMatch - get_config：获取算法的默认配置 - Trainer：用于在数据集上训练和评估算法的 Trainer 类

请注意，使用 semilearn 包进行训练需要启用 CUDA 的后端。有关在 Google Colab 中启用 CUDA 的说明，请参阅在 Google Colab 中启用 CUDA。

import semilearn
from semilearn import get_dataset, get_data_loader, get_net_builder, get_algorithm, get_config, Trainer

导入必要的函数后，我们首先设置算法的超参数。

config = {
    'algorithm': 'freematch',
    'net': 'vit_tiny_patch2_32',
    'use_pretrain': True,
    'pretrain_path': 'https://github.com/microsoft/Semi-supervised-learning/releases/download/v.0.0.0/vit_tiny_patch2_32_mlp_im_1k_32.pth',

    # optimization configs
    'epoch': 1,
    'num_train_iter': 500,
    'num_eval_iter': 500,
    'num_log_iter': 50,
    'optim': 'AdamW',
    'lr': 5e-4,
    'layer_decay': 0.5,
    'batch_size': 16,
    'eval_batch_size': 16,


    # dataset configs
    'dataset': 'cifar10',
    'num_labels': 40,
    'num_classes': 10,
    'img_size': 32,
    'crop_ratio': 0.875,
    'data_dir': './data',
    'ulb_samples_per_class': None,

    # algorithm specific configs
    'hard_label': True,
    'T': 0.5,
    'ema_p': 0.999,
    'ent_loss_ratio': 0.001,
    'uratio': 2,
    'ulb_loss_ratio': 1.0,

    # device configs
    'gpu': 0,
    'world_size': 1,
    'distributed': False,
    "num_workers": 4,
}
config = get_config(config)

然后，我们加载数据集并创建用于训练和测试的数据加载器。并指定要使用的模型和算法。

dataset_dict = get_dataset(config, config.algorithm, config.dataset, config.num_labels, config.num_classes, data_dir=config.data_dir, include_lb_to_ulb=config.include_lb_to_ulb)
train_lb_loader = get_data_loader(config, dataset_dict['train_lb'], config.batch_size)
train_ulb_loader = get_data_loader(config, dataset_dict['train_ulb'], int(config.batch_size * config.uratio))
eval_loader = get_data_loader(config, dataset_dict['eval'], config.eval_batch_size)
algorithm = get_algorithm(config,  get_net_builder(config.net, from_name=False), tb_log=None, logger=None)

现在，我们可以开始在仅有 40 个标签的 CIFAR-10 数据集上训练算法了。我们训练 500 次迭代，并每 500 次迭代评估一次。

trainer = Trainer(config, algorithm)
trainer.fit(train_lb_loader, train_ulb_loader, eval_loader)

最后，让我们在验证集上评估训练好的模型。在使用 FreeMatch 在仅有 40 个标签的 CIFAR-10 数据集上训练 500 次迭代后，我们得到了一个分类器，其在验证集上达到了约 87% 的准确率。

trainer.evaluate(eval_loader)

使用 USB 在非均衡 CIFAR-10 数据集上使用特定的非均衡算法训练 SoftMatch¶

现在假设我们有一个非均衡的有标签和无标签的 CIFAR-10 数据集，并且我们想在其上训练一个 SoftMatch 模型。通过将 lb_imb_ratio 和 ulb_imb_ratio 设置为 10，我们创建了一个非均衡的有标签和无标签的 CIFAR-10 数据集。此外，我们将 algorithm 替换为 softmatch 并将 imbalanced 设置为 True。

config = {
    'algorithm': 'softmatch',
    'net': 'vit_tiny_patch2_32',
    'use_pretrain': True,
    'pretrain_path': 'https://github.com/microsoft/Semi-supervised-learning/releases/download/v.0.0.0/vit_tiny_patch2_32_mlp_im_1k_32.pth',

    # optimization configs
    'epoch': 1,
    'num_train_iter': 500,
    'num_eval_iter': 500,
    'num_log_iter': 50,
    'optim': 'AdamW',
    'lr': 5e-4,
    'layer_decay': 0.5,
    'batch_size': 16,
    'eval_batch_size': 16,


    # dataset configs
    'dataset': 'cifar10',
    'num_labels': 1500,
    'num_classes': 10,
    'img_size': 32,
    'crop_ratio': 0.875,
    'data_dir': './data',
    'ulb_samples_per_class': None,
    'lb_imb_ratio': 10,
    'ulb_imb_ratio': 10,
    'ulb_num_labels': 3000,

    # algorithm specific configs
    'hard_label': True,
    'T': 0.5,
    'ema_p': 0.999,
    'ent_loss_ratio': 0.001,
    'uratio': 2,
    'ulb_loss_ratio': 1.0,

    # device configs
    'gpu': 0,
    'world_size': 1,
    'distributed': False,
    "num_workers": 4,
}
config = get_config(config)

然后，我们重新加载数据集并创建用于训练和测试的数据加载器。并指定要使用的模型和算法。

dataset_dict = get_dataset(config, config.algorithm, config.dataset, config.num_labels, config.num_classes, data_dir=config.data_dir, include_lb_to_ulb=config.include_lb_to_ulb)
train_lb_loader = get_data_loader(config, dataset_dict['train_lb'], config.batch_size)
train_ulb_loader = get_data_loader(config, dataset_dict['train_ulb'], int(config.batch_size * config.uratio))
eval_loader = get_data_loader(config, dataset_dict['eval'], config.eval_batch_size)
algorithm = get_algorithm(config,  get_net_builder(config.net, from_name=False), tb_log=None, logger=None)

现在，我们可以开始在仅有 40 个标签的 CIFAR-10 数据集上训练算法了。我们训练 500 次迭代，并每 500 次迭代评估一次。

trainer = Trainer(config, algorithm)
trainer.fit(train_lb_loader, train_ulb_loader, eval_loader)

最后，让我们在验证集上评估训练好的模型。

trainer.evaluate(eval_loader)

参考文献：- [1] USB: https://github.com/microsoft/Semi-supervised-learning - [2] Kihyuk Sohn 等人. FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence - [3] Yidong Wang 等人. FreeMatch: Self-adaptive Thresholding for Semi-supervised Learning - [4] Hao Chen 等人. SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning