Symfoware

Ubuntu 18.04 PyTorch 1.0から1.1へのアップグレード
こちらの手順でPyTorchを1.0から1.1にアップグレードしたのですが、
GPUを使用した演算を行おうとすると、



https://github.com/pytorch/pytorch/issues/15797
https://github.com/datapink/robosat.pink/issues/3
上記をみてみると、どうもtorchvisionのインストールが悪さをしているもよう。

再度、インストールコマンド

を実行すると、エラーが消えてくれました。

関連記事

• PyTorch 1.1 GPU使用時に、「THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=383 error=11」
• Ubuntu 18.04 PyTorch 1.0から1.1へのアップグレード
• OpenCV 4.1でアニメ顔の検出(lbpcascade_animeface.xml)
• Ubuntu 18.04にPyTorch 1.0をインストールし、MNISTの手書き分類を実行する
• PyQt5にmatplotlibを埋め込んでグラフを表示する

テーマ:プログラミング - ジャンル:コンピュータ

1. 2019/05/10(金) 00:34:21|
2. Python
3. | トラックバック:0
4. | コメント:0
5. | 編集

Ubuntu 18.04にPyTorch 1.0をインストールして放置していたら、
いつの間にかバージョンが1.1に上がっていました。
Ubuntu 18.04にPyTorch 1.0をインストールし、MNISTの手書き分類を実行する

アップグレードの手順を確認してみます。

アップグレード

こちらでインストールコマンドを確認。
https://pytorch.org/get-started/locally/

まず、PyTorch 1.1をインストール。
※前回pipを使用したので、今回もpipでインストールしています。



torchvisionは「-U」オプションを指定してアップデート。




バージョンを確認してみます。




ちゃんと1.1.0にバージョンアップできたようです。

関連記事

• PyTorch 1.1 GPU使用時に、「THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=383 error=11」
• Ubuntu 18.04 PyTorch 1.0から1.1へのアップグレード
• OpenCV 4.1でアニメ顔の検出(lbpcascade_animeface.xml)
• Ubuntu 18.04にPyTorch 1.0をインストールし、MNISTの手書き分類を実行する
• PyQt5にmatplotlibを埋め込んでグラフを表示する

テーマ:プログラミング - ジャンル:コンピュータ

1. 2019/05/08(水) 22:56:14|
2. Python
3. | トラックバック:0
4. | コメント:0
5. | 編集

以前から気になっていたアニメ顔の検出フィルタlbpcascade_animeface.xml
OpenCVによるアニメ顔検出ならlbpcascade_animeface.xml
https://github.com/nagadomi/lbpcascade_animeface

OpenCV 4をインストールしたので、動作を確認してみます。
Ubuntu 18.04 ServerにOpenCV 4.1.0をソースからインストール(install-opencv.sh使用)

サンプル画像

例に習い、こちらをサンプル画像としました。

カスケードファイルの取得とサンプル

公開されているカスケードファイルを取得。


サンプルプログラムはこのようになりました。

import cv2
# ダウンロードしたファイルを指定
cascade = cv2.CascadeClassifier('lbpcascade_animeface.xml')
# 検出する画像ファイル読み込み
image = cv2.imread('idol_master.png', cv2.IMREAD_COLOR)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.equalizeHist(gray)
# 検出実行
faces = cascade.detectMultiScale(gray,
                                    # detector options
                                    scaleFactor = 1.1,
                                    minNeighbors = 5,
                                    minSize = (24, 24))
# 検出結果を描画
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)
# 結果を出力
cv2.imwrite('result.png', image)

実行すると、1人検出できませんでしたが概ね良好な結果です。




別の画像でも試してみます。



結果は良好です。

関連記事

• PyTorch 1.1 GPU使用時に、「THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=383 error=11」
• Ubuntu 18.04 PyTorch 1.0から1.1へのアップグレード
• OpenCV 4.1でアニメ顔の検出(lbpcascade_animeface.xml)
• Ubuntu 18.04にPyTorch 1.0をインストールし、MNISTの手書き分類を実行する
• PyQt5にmatplotlibを埋め込んでグラフを表示する

テーマ:プログラミング - ジャンル:コンピュータ

1. 2019/05/08(水) 22:34:14|
2. Python
3. | トラックバック:0
4. | コメント:0
5. | 編集

気がついたらOpenCV 4が登場していました。
ソースからUbuntu 18.04 Serverにインストールしてみます。

過去OpenCV 3.4.1をインストールした手順を参考に、4.1.0をソースからインストールしてみます
Ubuntu 18.04 ServerにOpenCV 3.4.1をインストール(install-opencv.sh)

インストールスクリプト

公開されているインストールスクリプトを使用してインストールします。
http://milq.github.io/install-opencv-ubuntu-debian/

OpenCVをaptで導入済みの場合は事前に削除しておきます。


インストールスクリプトinstall-opencv.shをダウンロード。


ファイルを編集して、インストールバージョンを4.1.0に変更。


20行目付近、「OPENCV_VERSION」の指定を変更。


実行権限を付与して実行します。


インストールには時間がかかります。
メモリ2GB、vCPU 2の仮想環境で40分程度必要でした。

Python3からの呼び出しとバージョン確認

Python3でcv2モジュールをインポート。
バージョンを表示してみます。



無事、OpenCV 4.1.0がインストールできました。

関連記事

• Ubuntu 18.04 ServerにOpenCV 4.1.0をソースからインストール(install-opencv.sh使用)
• Windows Server 2019 Active Directoryでユーザーの追加とWindows 10でのサインイン
• Windows 10をWindows Server 2019ドメインに参加させる
• Windows Server 2019にActiveDirectoryの機能を追加
• Windows Server 2019 にIIS 10.0をインストールし、ASP.NETを有効化

テーマ:プログラミング - ジャンル:コンピュータ

1. 2019/05/08(水) 22:14:55|
2. 備忘録
3. | トラックバック:0
4. | コメント:0
5. | 編集

PyTorch
https://pytorch.org/

Ubuntu 18.04にインストールしてみます。

CPU:Ryzen 7
GPU:GeForce RTX 2080

CUDAはこちらの手順でインストールしました。
Ubuntu 18.04 NVIDIAドライバー、CUDAのインストール

インストール

condaを利用してのインストールが推奨されているようですが、
今回はpipでインストールしました。

OS:Linux
Package:Pip
Language:Python 3.6
CUDA:10
を選択して、インストールコマンドを確認。



実行します。



インストールできたか確認します。

MNIST

こちらのサンプルプログラムを実行してみます。
https://github.com/pytorch/examples/blob/master/mnist/main.py

from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5, 1)
        self.conv2 = nn.Conv2d(20, 50, 5, 1)
        self.fc1 = nn.Linear(4*4*50, 500)
        self.fc2 = nn.Linear(500, 10)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2, 2)
        x = x.view(-1, 4*4*50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)
    
def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
def test(args, model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
            pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
            correct += pred.eq(target.view_as(pred)).sum().item()
    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))
def main():
    # Training settings
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=10, metavar='N',
                        help='number of epochs to train (default: 10)')
    parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                        help='learning rate (default: 0.01)')
    parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                        help='SGD momentum (default: 0.5)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                        help='how many batches to wait before logging training status')
    
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()
    use_cuda = not args.no_cuda and torch.cuda.is_available()
    torch.manual_seed(args.seed)
    device = torch.device("cuda" if use_cuda else "cpu")
    kwargs = {'num_workers': 1, 'pin_memory': True} if use_cuda else {}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                     transform=transforms.Compose([
                         transforms.ToTensor(),
                         transforms.Normalize((0.1307,), (0.3081,))
                     ])),
        batch_size=args.batch_size, shuffle=True, **kwargs)
    test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=False, transform=transforms.Compose([
                         transforms.ToTensor(),
                         transforms.Normalize((0.1307,), (0.3081,))
                     ])),
        batch_size=args.test_batch_size, shuffle=True, **kwargs)
    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
    for epoch in range(1, args.epochs + 1):
        train(args, model, device, train_loader, optimizer, epoch)
        test(args, model, device, test_loader)
    if (args.save_model):
        torch.save(model.state_dict(),"mnist_cnn.pt")
        
if __name__ == '__main__':
    main()

実行



動いてくれたようです。

動作確認

解析結果を実際に目で見て確認しようと思います。
毎回解析するのは面倒なので、結果のモデルを保存。



「mnist_cnn.pt」というファイル名で保存されました。

テスト画像を1件づつ解析しながら表示します。

・sample.py

from __future__ import print_function
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5, 1)
        self.conv2 = nn.Conv2d(20, 50, 5, 1)
        self.fc1 = nn.Linear(4*4*50, 500)
        self.fc2 = nn.Linear(500, 10)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2, 2)
        x = x.view(-1, 4*4*50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)
    
def main():
    device = torch.device('cpu')
    # 保存しておいたモデルをロード
    model = Net()
    model.load_state_dict(torch.load('mnist_cnn.pt'))
    
    # 推論モードに切り替え
    model.eval()
    # テストデータロード
    test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=False, transform=transforms.Compose([
                         transforms.ToTensor(),
                         transforms.Normalize((0.1307,), (0.3081,))
                     ])),
        batch_size=1, shuffle=False)
    # 最初から3件のデータを解析
    count = 0
    for data, target in test_loader:
        output = model(data.to(device))
        pred = output.argmax(dim=1, keepdim=True)
        print(pred[0])
        plt.imshow(data.reshape(28, 28), cmap='gray')
        plt.show()
        count += 1
        if (count > 2):
            break
        
if __name__ == '__main__':
    main()

実行結果




「7」と判定




「2」と判定




「1」と判定




【参考URL】

https://pytorch.org/
https://github.com/pytorch/examples
https://github.com/pytorch/examples/blob/master/mnist/main.py
CNN in MNIST with PyTorch (PyTorchの基本メモ)
PyTorchでMNISTをやってみる
第13回　PyTorchによるディープラーニング実装入門（２）

関連記事

• Ubuntu 18.04 PyTorch 1.0から1.1へのアップグレード
• OpenCV 4.1でアニメ顔の検出(lbpcascade_animeface.xml)
• Ubuntu 18.04にPyTorch 1.0をインストールし、MNISTの手書き分類を実行する
• PyQt5にmatplotlibを埋め込んでグラフを表示する
• matplotlib 5 背景画像を表示し、プロット結果も表示する(matplotlib.image, Pillow, OpenCV2)

テーマ:プログラミング - ジャンル:コンピュータ

1. 2019/03/11(月) 23:26:19|
2. Python
3. | トラックバック:0
4. | コメント:0
5. | 編集