注意
转到末尾以下载完整的示例代码。
使用基于 PyTorch 构建的 USB 进行半监督学习#
创建于：2023年12月7日 | 最后更新：2024年3月7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。它还支持多种不平衡半监督学习算法。USB 中包含了计算机视觉、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 照明包的基础知识。让我们开始在 CIFAR-10 上使用预训练的视觉 Transformer (ViT) 训练一个 FreeMatch/SoftMatch 模型吧！我们将展示，更换半监督算法以及在不平衡数据集上进行训练是多么容易。
半监督学习中的 FreeMatch 和 SoftMatch 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，使用固定的阈值来过滤掉低置信度的伪标签。FreeMatch 和 SoftMatch 是在 FixMatch 基础上改进的两种算法。FreeMatch 提出了一种自适应阈值策略来取代 FixMatch 中的固定阈值策略。自适应阈值会根据模型在每个类别上的学习状态逐步提高阈值。SoftMatch 将置信度阈值的思想吸收为一种加权机制。它提出了一种高斯加权机制，以克服伪标签中数量与质量的权衡问题。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 上训练 FreeMatch/SoftMatch#
USB 易于使用和扩展，小型团队也能负担得起，并且对于开发和评估 SSL 算法来说功能全面。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该包。它还支持 Python API，以便更容易地将不同的 SSL 算法应用于新数据。
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-10get_data_loader用于创建训练（有标签和无标签）和测试数据
加载器，训练无标签加载器将提供无标签数据的强弱两种数据增强 - 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：用于获取算法的默认配置 - Trainer：一个用于在数据集上训练和评估算法的 Trainer 类
请注意，使用 semilearn 包进行训练需要支持 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，我们加载数据集并为训练和测试创建数据加载器。我们还指定了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)
我们现在可以开始在有 40 个标签的 CIFAR-10 上训练算法了。我们训练 500 次迭代，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 CIFAR-10 仅有的 40 个标签上使用 FreeMatch 训练 500 次迭代后，我们得到了一个在验证集上达到约 87% 准确率的分类器。
trainer.evaluate(eval_loader)
使用 USB 在不平衡的 CIFAR-10 上通过特定的不平衡算法训练 SoftMatch#
现在假设我们有一个不平衡的 CIFAR-10 有标签集和无标签集，并且我们想在上面训练一个 SoftMatch 模型。我们通过将 lb_imb_ratio 和 ulb_imb_ratio 设置为 10，来创建一个不平衡的 CIFAR-10 有标签集和无标签集。同时，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为训练和测试创建数据加载器。我们还指定了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)
我们现在可以开始在有 40 个标签的 CIFAR-10 上训练算法了。我们训练 500 次迭代，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: 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
