基于 PyTorch 的半监督学习使用 USB

**作者**：陈浩

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 提供的数据集和模块，USB 成为一个灵活、模块化且易于使用的半监督学习框架。它支持各种半监督学习算法，包括 FixMatch、FreeMatch、DeFixMatch、SoftMatch 等。它还支持各种不平衡的半监督学习算法。USB 中包含了跨计算机视觉、自然语言处理和语音处理的不同数据集的基准结果。

本教程将引导您了解使用 USB 照明包的基础知识。让我们从使用预训练的视觉 Transformer (ViT) 在 CIFAR-10 上训练 FreeMatch/SoftMatch 模型开始！我们将展示更改半监督算法并在不平衡数据集上进行训练是多么容易。

半监督学习中 FreeMatch 和 SoftMatch 简介

本文将简要介绍 FreeMatch 和 SoftMatch。首先，我们介绍一个著名的半监督学习基线算法，称为 FixMatch。 FixMatch 是一个非常简单的半监督学习框架，它利用强数据增强来生成未标记数据的伪标签。它采用置信度阈值策略，使用固定的阈值过滤掉低置信度的伪标签。 FreeMatch 和 SoftMatch 是两个改进 FixMatch 的算法。 FreeMatch 提出了一种自适应阈值策略来替换 FixMatch 中的固定阈值策略。自适应阈值策略根据模型在每个类别上的学习状态逐步提高阈值。 SoftMatch 将置信度阈值的概念吸收到加权机制中。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 CIFAR-10 上训练 FreeMatch/SoftMatch，仅使用 40 个标签

USB 易于使用和扩展，对小型团队来说价格合理，并且对于开发和评估 SSL 算法而言非常全面。USB 提供了 14 种基于一致性正则化的 SSL 算法的实现，以及来自 CV、NLP 和音频领域的 15 个评估任务。它采用模块化设计，允许用户通过添加新的算法和任务轻松扩展包。它还支持 Python API，以便于在新的数据上适应不同的 SSL 算法。

现在，让我们使用 USB 在 CIFAR-10 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。如果您在 Google Colab 中运行此代码，请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（标记和未标记）和测试数据加载器

加载器，未标记训练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：一个训练器类，用于在数据集上训练和评估算法

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。并且我们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 CIFAR-10 上使用 40 个标签训练算法了。我们训练 500 次迭代，并在每 500 次迭代后进行评估。

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 CIFAR-10 上仅使用 40 个标签训练 FreeMatch 500 次迭代后，我们获得了在验证集上达到约 87% 准确率的分类器。

trainer.evaluate(eval_loader)

使用 USB 在不平衡的 CIFAR-10 上训练 SoftMatch，并使用特定的不平衡算法

现在假设我们有 CIFAR-10 的不平衡标记集和未标记集，并且我们想在其上训练 SoftMatch 模型。我们通过将 lb_imb_ratio 和 ulb_imb_ratio 设置为 10 来创建 CIFAR-10 的不平衡标记集和不平衡未标记集。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。并且我们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 CIFAR-10 上使用 40 个标签训练算法了。我们训练 500 次迭代，并在每 500 次迭代后进行评估。

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：通过一致性和置信度简化半监督学习 - [3] 王易栋等人。FreeMatch：半监督学习的自适应阈值 - [4] 陈浩等人。SoftMatch：解决半监督学习中的数量-质量权衡问题