使用 USB 构建于 PyTorch 之上的半监督学习

创建于: 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) 是一个构建于 PyTorch 之上的半监督学习 (SSL) 框架。基于 PyTorch 提供的 Datasets 和 Modules，USB 成为一个灵活、模块化且易于使用的半监督学习框架。它支持多种半监督学习算法，包括 FixMatch, FreeMatch, DeFixMatch, SoftMatch 等。它还支持多种不平衡半监督学习算法。USB 中包含了跨计算机视觉、自然语言处理和语音处理等不同数据集的基准测试结果。

本教程将引导您了解使用 USB lighting 包的基础知识。让我们通过在 CIFAR-10 上使用预训练的 Vision Transformers (ViT) 训练 FreeMatch/SoftMatch 模型来开始入门！我们将展示轻松更改半监督算法并在不平衡数据集上进行训练。

FreeMatch 和 SoftMatch 在半监督学习中的简介

这里我们简要介绍 FreeMatch 和 SoftMatch。首先，我们介绍一个著名的半监督学习基线，称为 FixMatch。FixMatch 是一个非常简单的半监督学习框架，它利用强增强为未标记数据生成伪标签。它采用置信度阈值策略来过滤掉低置信度的伪标签，并设置固定的阈值。FreeMatch 和 SoftMatch 是两种改进 FixMatch 的算法。FreeMatch 提出自适应阈值策略来替换 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加权机制。它提出高斯加权机制来克服伪标签中的数量-质量权衡。在本教程中，我们将使用 USB 训练 FreeMatch 和 SoftMatch。

使用 USB 在 CIFAR-10 上仅用 40 个标签训练 FreeMatch/SoftMatch

USB 易于使用和扩展，小团队也能负担得起，并且全面，可用于开发和评估 SSL 算法。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。它采用模块化设计，允许用户通过添加新算法和任务轻松扩展包。它还支持 Python API，用于更轻松地适应新数据上的不同 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 加载数据集，这里我们使用 CIFAR-10

• get_data_loader 创建训练（标记和未标记）和测试数据

加载器，训练未标记数据加载器将提供未标记数据的强增强和弱增强 - get_net_builder 创建模型，这里我们使用预训练的 ViT - get_algorithm 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 CIFAR-10 的仅 40 个标签上训练 500 次迭代后，我们获得了一个分类器，该分类器在验证集上达到了约 87% 的准确率。

trainer.evaluate(eval_loader)

使用 USB 在不平衡的 CIFAR-10 上使用特定的不平衡算法训练 SoftMatch

现在假设我们有 CIFAR-10 的不平衡标记数据集和未标记数据集，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 的不平衡标记数据集和不平衡未标记数据集。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 et al. FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence - [3] Yidong Wang et al. FreeMatch: Self-adaptive Thresholding for Semi-supervised Learning - [4] Hao Chen et al. SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning