Julia 基於Flux深度學習框架的cifar10數據集分類

目錄

一、安裝Julia

二、Flux簡介

三、安裝Flux和相關依賴庫

四、cifar10項目下載

*五、cifar10數據集下載

六、開始訓練

---

一、安裝Julia

IDE是Atom，安裝和使用教程爲：Windows10 Atom安裝和運行Julia的使用教程（詳細）

---

二、Flux簡介

1.Flux.jl是一個內置於Julia的機器學習框架。它與PyTorch有一些相似之處，就像大多數現代框架一樣。

2.Flux是一種優雅的機器學習方法。 它是100％純Julia堆棧形式，並在Julia的原生GPU和AD支持之上提供輕量級抽象。

3.Flux是一個用於機器學習的庫。 它功能強大，具有即插即拔的靈活性，即內置了許多有用的工具，但也可以在需要的地方使用Julia語言的全部功能。

4.Flux遵循以下幾個關鍵原則：

（1） Flux對於正則化或嵌入等功能的顯式API相對較少。 相反，寫下數學形式將起作用 ，並且速度很快。

（2） 所有的知識和工具，從LSTM到GPU內核，都是簡單的Julia代碼。 如果有疑問的話，可以查看官方教程。 如果需要不同的函數塊或者是功能模塊，我們也可以輕鬆自己動手實現。

（3）Flux適用於Julia庫，包括從數據幀和圖像到差分方程求解器等等內容，因此我們也可以輕鬆構建集成Flux模型的複雜數據處理流水線。

5.Flux相關教程鏈接（FQ）：https://fluxml.ai/Flux.jl/stable/

6.Flux模型代碼示例鏈接：https://github.com/FluxML/model-zoo/

---

三、安裝Flux和相關依賴庫

1.打開julia控制檯，或者打開Atom啓動下方REPL的julia，先輸入如下指令

using Pkg

                       

2.安裝Flux

Pkg.add("Flux")

3.同理，安裝依賴項Metalhead

Pkg.add("Metalhead")

Pkg.add("Images")

Pkg.add("Statistics")

一般安裝了Metalhead也會自動幫你裝上Images和Statistics~

---

四、cifar10項目下載

1.下載model-zoo文件夾：https://github.com/FluxML/model-zoo/

2.cifar10.jl在model-zoo-master\vision\cifar10中

3.我們在Atom裏打開這個項目，如下

---

*五、cifar10數據集下載

1.github上的model-zoo裏cifar10的下載函數裏面解壓的方式是Linux的，在

C:\Users\你的電腦用戶名\.julia\packages\Metalhead\fYeSU\src\datasets\autodetect.jl：

function download(which)
    if which === ImageNet
        error("ImageNet is not automatiacally downloadable. See instructions in datasets/README.md")
    elseif which == CIFAR10
        local_path = joinpath(@__DIR__, "..","..",datasets, "cifar-10-binary.tar.gz")
        #print(local_path)
        dir_path = joinpath(@__DIR__,"..","..","datasets")
        if(!isdir(joinpath(dir_path, "cifar-10-batches-bin")))
            if(!isfile(local_path))
                Base.download("https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz", local_path)
            end
            run(`tar -xzvf $local_path -C $dir_path`)
        end
    else
        error("Download not supported for $(which)")
    end
end

這意味着解壓函數在windows10上是無效的，但是這並不影響我們在windows上的使用，我們只需要手動下載即可

2.下載地址：https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

3.下載完成後請放到這個文件夾（其實是放到這裏是爲了配合Linux操作系統）：

C:\Users\你的電腦用戶名\.julia\packages\Metalhead\fYeSU\datasets

解壓後的內容如下：

 注意：不放這裏，你就等着報錯報到死吧！！那就是無法找到cifar10數據集位置！！

---

六、開始訓練

1.核心代碼

cifar10.jl

using Flux, Metalhead, Statistics
using Flux: onehotbatch, onecold, crossentropy, throttle
using Metalhead: trainimgs
using Images: channelview
using Statistics: mean
using Base.Iterators: partition

# VGG16 and VGG19 models

vgg16() = Chain(
  Conv((3, 3), 3 => 64, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(64),
  Conv((3, 3), 64 => 64, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(64),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 64 => 128, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(128),
  Conv((3, 3), 128 => 128, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(128),
  x -> maxpool(x, (2,2)),
  Conv((3, 3), 128 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 256 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  x -> maxpool(x, (2, 2)),
  x -> reshape(x, :, size(x, 4)),
  Dense(512, 4096, relu),
  Dropout(0.5),
  Dense(4096, 4096, relu),
  Dropout(0.5),
  Dense(4096, 10),
  softmax) |> gpu

vgg19() = Chain(
  Conv((3, 3), 3 => 64, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(64),
  Conv((3, 3), 64 => 64, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(64),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 64 => 128, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(128),
  Conv((3, 3), 128 => 128, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(128),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 128 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(256),
  Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 256 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  x -> maxpool(x, (2, 2)),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  BatchNorm(512),
  Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),
  x -> maxpool(x, (2, 2)),
  x -> reshape(x, :, size(x, 4)),
  Dense(512, 4096, relu),
  Dropout(0.5),
  Dense(4096, 4096, relu),
  Dropout(0.5),
  Dense(4096, 10),
  softmax) |> gpu

# Function to convert the RGB image to Float64 Arrays

getarray(X) = Float32.(permutedims(channelview(X), (2, 3, 1)))

# Fetching the train and validation data and getting them into proper shape

X = trainimgs(CIFAR10)
imgs = [getarray(X[i].img) for i in 1:50000]
labels = onehotbatch([X[i].ground_truth.class for i in 1:50000],1:10)
train = gpu.([(cat(imgs[i]..., dims = 4), labels[:,i]) for i in partition(1:49000, 100)])
valset = collect(49001:50000)
valX = cat(imgs[valset]..., dims = 4) |> gpu
valY = labels[:, valset] |> gpu

# Defining the loss and accuracy functions

m = vgg16()

loss(x, y) = crossentropy(m(x), y)

accuracy(x, y) = mean(onecold(m(x), 1:10) .== onecold(y, 1:10))

# Defining the callback and the optimizer

evalcb = throttle(() -> @show(accuracy(valX, valY)), 10)

opt = ADAM()

# Starting to train models

Flux.train!(loss, params(m), train, opt, cb = evalcb)

# Fetch the test data from Metalhead and get it into proper shape.
# CIFAR-10 does not specify a validation set so valimgs fetch the testdata instead of testimgs

test = valimgs(CIFAR10)

testimgs = [getarray(test[i].img) for i in 1:10000]
testY = onehotbatch([test[i].ground_truth.class for i in 1:10000], 1:10) |> gpu
testX = cat(testimgs..., dims = 4) |> gpu

# Print the final accuracy

@show(accuracy(testX, testY))

2.菜單欄裏 Packages->Julia->Run File，可以在REPL裏看到訓練的效果，也就是最後一句代碼展示準確度

              

3.至於如何放到GPU上訓練，我們還需要下載CuArrays：

Using Pkg
Pkg.add("CuArrays")

以及安裝CUDA和cuDNN支持，具體細節看官方文檔：https://fluxml.ai/Flux.jl/stable/gpu/#Installation-