用OneFlow实现基于U型网络的ISBI细胞分割任务

目录
1.简介
2.网路架构
3.数据和程序准备
4.使用步骤
5.单机单卡训练方式
6.单机多卡训练方式(DDP)
7.可视化实验结果
8.小结

撰文 | 李响

1

简介

对于熟悉 PyTorch 的用户（比如我），可以快速上手 OneFlow，非常丝滑。本文基于OneFlow和U-Net实现ISBI挑战赛的细胞分割，代码包括单机单卡和单机多卡两种训练方式。其中，单机多卡的训练是借助 oneflow.nn.parallel.DistributedDataParallel 模块及 launcher做的数据并行。

此外，由于我目前在OneFlow做一名算法实习生，本文更多以一个初次接触OneFlow框架的用户角度进行分析，包括API、分布式训练能力、高性能和我的一些实习感受(👀)。

ISBI细胞分割任务：给一张细胞结构图，对边缘轮廓进行二分类，如下动图所示。

训练数据有30张，分辨率为512x512，这些图片是果蝇的电镜细胞图。

2

网路架构

U-Net网络架构如下图所示。它由一个收缩路径和一个扩展路径组成，收缩路径遵循卷积网络的典型架构。它包括重复使用两个 3x3 卷积，每个卷积后跟一个线性修正单元(ReLU)和一个2x2最大池化操作，步长为2的下采样。

在每个下采样步骤中，我们将特征通道的数量加倍。扩展路径中的每一步都包括特征映射的上采样，然后进行 2x2 向上卷积，将特征通道数量减半，与来自收缩路径的相应裁剪特征映射串联。然后是两个3x3卷积，每个卷积后面接ReLU。由于每一次卷积都会丢失边界像素，因此裁剪是必要的。在最后一层，使用1x1卷积将每个分量特征向量映射到所需数量的类别(2类)上。网络总共有23个卷积层。

根据上面的网络结构，使用OneFlow实现U型网络结构代码如下：

"""
Creates a U-Net Model as defined in:
U-Net: Convolutional Networks for Biomedical Image Segmentation
https://arxiv.org/abs/1505.04597
Modified from https://github.com/milesial/Pytorch-UNet
"""
import oneflow as flow
import oneflow.nn as nn
import oneflow.nn.functional as F


class DoubleConv(nn.Module):
    """(convolution => [BN] => ReLU) * 2"""

    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.double_conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
        )

    def forward(self, x):
        return self.double_conv(x)


class Down(nn.Module):
    """Downscaling with maxpool then double conv"""

    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.maxpool_conv = nn.Sequential(
            nn.MaxPool2d(2), DoubleConv(in_channels, out_channels)
        )

    def forward(self, x):
        return self.maxpool_conv(x)


class Up(nn.Module):
    """Upscaling then double conv"""

    def __init__(self, in_channels, out_channels, bilinear=True):
        super().__init__()

        # if bilinear, use the normal convolutions to reduce the number of channels
        if bilinear:
            self.up = nn.Upsample(scale_factor=2, mode="bilinear", align_corners=True)
        else:
            self.up = nn.ConvTranspose2d(
                in_channels, out_channels, kernel_size=2, stride=2
            )

        self.conv = DoubleConv(in_channels, out_channels)

    def forward(self, x1, x2):
        x1 = self.up(x1)
        # input is CHW
        diffY = x2.size()[2] - x1.size()[2]
        diffX = x2.size()[3] - x1.size()[3]

        x1 = F.pad(x1, (diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2))

        x = flow.cat([x2, x1], dim=1)
        return self.conv(x)


class OutConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(OutConv, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)

    def forward(self, x):
        return self.conv(x)


class UNet(nn.Module):
    def __init__(self, n_channels, n_classes, bilinear=True):
        super(UNet, self).__init__()
        self.n_channels = n_channels
        self.n_classes = n_classes
        self.bilinear = bilinear

        self.inc = DoubleConv(n_channels, 64)
        self.down1 = Down(64, 128)
        self.down2 = Down(128, 256)
        self.down3 = Down(256, 512)
        self.down4 = Down(512, 1024)
        self.up1 = Up(1024, 512, bilinear)
        self.up2 = Up(512, 256, bilinear)
        self.up3 = Up(256, 128, bilinear)
        self.up4 = Up(128, 64, bilinear)
        self.outc = OutConv(64, n_classes)

    def forward(self, x):
        x1 = self.inc(x)
        x2 = self.down1(x1)
        x3 = self.down2(x2)
        x4 = self.down3(x3)
        x5 = self.down4(x4)
        x = self.up1(x5, x4)
        x = self.up2(x, x3)
        x = self.up3(x, x2)
        x = self.up4(x, x1)
        logits = self.outc(x)
        return logits

3

数据和程序准备

原始数据：首先准备数据，参考数据来自于 ISBI 挑战的数据集。数据可以在本仓库(https://github.com/Oneflow-Inc/models/tree/main/Vision/segmentation/U-Net)下载到，含30张训练图、30张对应的标签。30张测试图片。

增强后的数据 ：谷歌云盘(https://drive.google.com/drive/folders/0BzWLLyI3R0pLclMzMzRxUm1qZmc)

以上数据二选一。

代码链接: https://github.com/Oneflow-Inc/models/tree/main/Vision/segmentation/U-Net

该程序目录如下：

dataloader.py//加载数据
plot.py//绘制loss曲线
TrainUnetDataSet.py//训练文件
unet.py//网路结构
predict_unet_test.py//测试文件
tran.sh//训练脚本
test.sh//测试脚本

4

使用步骤

训练：

bash train.sh

测试：

bash test.sh

5

单机单卡训练方式

在TrainUnetDataSet.py中，为了与单机多卡训练方式对比，这里给出训练U-Net的完整脚本，如下：

def Train_Unet(net, device, data_path, batch_size=3, epochs=40, lr=0.0001):
    train_dataset = SelfDataSet(data_path)
    train_loader = utils.data.DataLoader(
        train_dataset, batch_size=batch_size, shuffle=True
    )

    opt = optim.Adam((net.parameters()))
    loss_fun = nn.BCEWithLogitsLoss()
    bes_los = float("inf")

    for epoch in range(epochs):
        net.train()
        running_loss = 0.0
        i = 0
        begin = time.perf_counter()
        for image, label in train_loader:
            opt.zero_grad()
            image = image.to(device=device, dtype=flow.float32)
            label = label.to(device=device, dtype=flow.float32)
            pred = net(image)
            loss = loss_fun(pred, label)
            loss.backward()
            i = i + 1
            running_loss = running_loss + loss.item()
            opt.step()
        end = time.perf_counter()
        loss_avg_epoch = running_loss / i
        Unet_train_txt.write(str(format(loss_avg_epoch, ".4f")) + "\n")
        print("epoch: %d avg loss: %f time:%d s" % (epoch, loss_avg_epoch, end - begin))
        if loss_avg_epoch < bes_los:
            bes_los = loss_avg_epoch
            state = {"net": net.state_dict(), "opt": opt.state_dict(), "epoch": epoch}
            flow.save(state, "./checkpoints")

def main(args):
    DEVICE = "cuda" if flow.cuda.is_available() else "cpu"
    print("Using {} device".format(DEVICE))
    net = UNet(1, 1, bilinear=False)
    # print(net)
    net.to(device=DEVICE)
    data_path = args.data_path
    Train_Unet(net, DEVICE, data_path, epochs=args.epochs, batch_size=args.batch_size)
    Unet_train_txt.close()

6

单机多卡训练方式(DDP)

OneFlow 提供的 SBP 和一致性视角，让复杂的分布式训练配置变得更简单，不过我还在学习实践中（学会了下次分享）。因为这里的需求只是简单的数据并行训练，所以我使用了与torch.nn.parallel.DistributedDataParallel 对齐的 oneflow.nn.parallel.DistributedDataParallel 模块及launcher，这样几乎不用对单机单卡脚本做修改，就完成了数据并行训练。

根据该特性，数据并行的训练代码与单机单卡脚本的不同只有2个，将第5节的训练脚本做如下修改：

1.使用 DistributedDataParallel 处理一下 module 对象

    m=net.to(device=DEVICE)
    net = ddp(m)

2.使用DistributedSampler在每个进程中实例化Dataloader，每个Dataloader实例加载完整数据的一部分，自动完成数据的分发。

    is_distributed=True
    sampler = flow.utils.data.distributed.DistributedSampler(train_dataset) if is_distributed else None
    train_loader = utils.data.DataLoader(
        train_dataset, batch_size=batch_size, shuffle=(sampler is None), sampler=sampler
    )

分布式模式下，在创建DataLoader迭代器之前，在每个epoch开始时调用set_epoch()方法，这对在多个epoch中正确地进行shuffle是必要的。否则，将总是使用相同的顺序。

    for epoch in range(epochs):
        if is_distributed:
            sampler.set_epoch(epoch)
            ···

这样就完成了分布式训练脚本的编写，然后使用 launcher 启动脚本，把剩下的一切都交给 OneFlow，让分布式训练U-Net，像单机单卡训练U-Net一样简单。

python3 -m oneflow.distributed.launch --nproc_per_node 8 ./TrainUnetDataSet.py

--nproc_per_node选项表示调用的GPU结点数量。

7

可视化实验结果

该实验只训练了40个Epoch，提升Epoch数量可显著提升模型精度。

原图：

原始待分割图片

U-Net预测图：

unet预测图展示

8

小结

本文更多以一个初次接触OneFlow框架的用户角度进行分析，在使用OneFlow训练U-Net网络的过程中，我真正感受到OneFlow对新用户的友好。

之前的学习中，我主要使用Keras和TensorFlow，但使用OneFlow却可以很快上手。由于OneFlow的Eager模式，与PyTorch对齐，让熟悉PyTorch的用户可以零成本直接上手。至于Graph模式，目前我还没有进行实践，但Graph也是基于面向对象的编程风格，熟悉动态图开发的用户，只需要改很少量的代码，就可以使用高效率的静态图。

首先，OneFlow提供的API基本可以满足我的所有需求，在下一版本中也将提供更加详细的API帮助文档和更丰富、完善的算子集，对比TensorFlow复杂和大型的文档，我认为OneFlow更具有易用性。

此外，OneFlow在处理大规模模型上的性能是最重要的。计算机视觉领域的模型规模越来越大，多节点集群进行分布式训练，以提升算力的方法被OneFlow更好地解决了。而且，分布式训练的简单操作也更能满足我的需求。

最后，说一下在OneFlow短暂的实习体验：11月15日入职，到现在为止已经过去一个月了。除了感受到国产深度学习框架正在异军突起之外，在BBuf晓雨哥的言传身教下，也感受到OneFlow团队的高效开发方式。一个月的时间过得很快，对比我自己没有pipline式的学习，在OneFlow学习和工作确实对个人提升很有benefits，实习的每天过得很愉快。

其他人都在看

点击“阅读原文”，欢迎下载体验OneFlow新一代开源深度学习框架