Решаю соревнование на Kaggle, раньше я не работал с картинками, кроме заданий на курсах. Решаю задачу классификации изображений, их примерно 9 ГБ (415к файлов). Моя модель очень долго обучается, и я заметил, что основное время уходит на загрузку данных. Сейчас я делаю это так:
class MushroomDataset(Dataset):
def __init__(self, mapping_ds: pd.DataFrame, pict_folder: str, transforms=None):
self.mapping_ds = mapping_ds
self.pict_folder = pict_folder
self.transforms = transforms
def __getitem__(self, ind: int):
cur_obj = self.mapping_ds.iloc[ind]
pict_path = path.join(self.pict_folder, cur_obj.image_path[:-4] + '.jpg')
img = Image.open(pict_path)
if self.transforms:
img = self.transforms(img)
return img, cur_obj.class_id
def __len__(self):
return self.mapping_ds.shape[0]
Модель проходит одну эпоху за час, что мне кажется ненормальным. Если интересно, то код для обучения такой:
def train_model(model, optimizer, loss, train_loader, val_loader, scheduler=None, epoch_num=10):
loss_history = list()
train_hist = list()
val_hist = list()
model.to(device)
for epoch_ind in range(epoch_num):
model.train()
corr_predicted_obj = 0
loss_accum = 0
# Training
for i_step, (x, y) in enumerate(train_loader, 1):
x = x.to(device)
y = y.to(device)
pred = model(x)
loss_val = loss(pred, y)
optimizer.zero_grad()
loss_val.backward()
optimizer.step()
loss_accum += loss_val
pred_labels = torch.argmax(pred, dim=1)
corr_predicted_obj += torch.sum(pred_labels == y)
loss_history.append(loss_accum / i_step)
train_hist.append(corr_predicted_obj / len(train_loader.dataset))
# Validation
val_corr_predicted_obj = 0
model.eval()
for x, y in val_loader:
x = x.to(device)
y = y.to(device)
pred = model(x)
pred_labels = torch.argmax(pred, dim=1)
val_corr_predicted_obj += torch.sum(pred_labels == y)
val_hist.append(val_corr_predicted_obj / len(val_loader.dataset))
# Printing model progress
print(f"Epoch -> {epoch_ind + 1} Loss value: {round(loss_history[-1].item(), 5)} " + \
f"Train score: {round(train_hist[-1].item(), 4) * 100} % " + \
f"Validation score: {round(val_hist[-1].item(), 4) * 100}")
# Scheduler step
if scheduler:
scheduler.step()
return loss_history, train_hist, val_hist
А модель вот:
frez_model = models.densenet121(pretrained=True)
for layer in frez_model.parameters():
layer.requires_grad = False
frez_model.classifier = nn.Linear(frez_model.classifier.in_features, len(train_ds.class_id.unique()))
lr = 1e-2
optimizer = optim.SGD(frez_model.parameters(), lr=lr)
scheduler = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.5)
loss = nn.CrossEntropyLoss()
loss_history, train_hist, val_hist = train_model(frez_model, optimizer, loss, train_loader, valid_loader, scheduler=scheduler)
Перерыл уже множество Kaggle Kernel на этом и похожем соревновании(тоже классификация картинок и возникает та же проблема). Как обучать всё это дело быстрее? (Если что обучение происходит также на железе Kaggle и на их GPU)
Простой
Простой
