基于 PaddlePaddle 实现 GreedyHash(NeurIPS2018)

English | 简体中文

• paddle_greedyhash
  • 一、简介
  • 二、复现精度
  • 三、数据集
  • 四、环境依赖
  • 五、快速开始
    • step1: 下载本项目及训练权重
    • step2: 修改参数
    • step3: 验证模型
    • step4: 训练模型
    • step5: 验证预测
  • 六、TIPC
  • 七、代码结构与详细说明
  • 八、模型信息
  • 九、参考及引用

• 原论文：Greedy Hash: Towards Fast Optimization for Accurate Hash Coding in CNN.

• 官方原版代码（基于PyTorch）GreedyHash.

• 第三方参考代码（基于PyTorch）DeepHash-pytorch.

一、简介

GreedyHash 意在解决图像检索 Deep Hashing 领域中NP优化难的问题，为此，作者在每次迭代中向可能的最优离散解迭代式更新网络参数。具体来说，GreedyHash 在网络模型中加入了一个哈希编码层，在前向传播过程中为了保持离散的限制条件，严格利用sign函数。在反向传播过程中，梯度完整地传向前一层，进而可以避免梯度弥散现象。算法伪代码如下。

GreedyHash 算法伪代码

二、复现精度

	Framework	12bits	24bits	32bits	48bits
论文结果	PyTorch	0.774	0.795	0.810	0.822
重跑结果	PyTorch	0.789	0.799	0.813	0.824
复现结果	PaddlePaddle	0.798	0.809	0.817	0.819(0.824)

• 需要注意的是，此处在重跑PyTorch版本代码时发现原论文代码 GreedyHash/cifar1.py 由于PyTorch版本较老，CIFAR-10 数据集处理部分代码无法运行，遂将第三方参考代码 DeepHash-pytorch 中的 CIFAR-10 数据集处理部分代码照搬运行，得以重跑PyTorch版本代码，结果罗列如上。严谨起见，已将修改后的PyTorch版本代码及训练日志放在 pytorch_greedyhash/main.py 和 pytorch_greedyhash/logs 中。因为跑的时候忘记设置随机数种子了，复现的时候可能结果有所偏差，不过应该都在可允许范围内，问题不大。

• 本项目（基于 PaddlePaddle ）依次跑 12/24/32/48 bits 的结果罗列在上表中，且已将训练得到的模型参数与训练日志 log 存放于output文件夹下。由于训练时设置了随机数种子，理论上是可复现的。但在反复重跑几次发现结果还是会有波动，比如有1次 48bits 的模型跑到了 0.824，我把对应的 log 和权重放在 output/bit48_alone 路径下了，说明算法的随机性仍然存在。

三、数据集

cifar-1（即CIFAR-10 (I)）

• CIFAR-10 数据集共10类，由 60,000 个 32×32 的彩色图像组成。

• CIFAR-10 (I)中，选择 1000 张图像（每类 100 张图像）作为查询集，其余 59,000 张图像作为数据库， 而从数据库中随机采样 5,000 张图像（每类 500 张图像）作为训练集。数据集处理代码详见 utils/datasets.py。

四、环境依赖

本人环境配置：

• Python: 3.7.11

• PaddlePaddle: 2.2.2

• 硬件：NVIDIA 2080Ti * 1

  p.s. 因为数据集很小，所以放单卡机器上跑了，多卡的代码可能后续补上

五、快速开始

step1: 下载本项目及训练权重

git clone https://github.com/hatimwen/paddle_greedyhash.git
cd paddle_greedyhash

• 由于权重比较多，加起来有 1 个 GB ，因此我放到百度网盘里了，烦请下载后按照 六、代码结构与详细说明 排列各个权重文件。

• 下载链接：BaiduNetdisk, 提取码: tl1i 。

step2: 修改参数

请根据实际情况，修改 scripts 中想运行脚本的配置内容（如：data_path, batch_size等）。

step3: 验证模型

• 注意：需要提前下载并排列好 BaiduNetdisk 中的各个预训练模型。

sh scripts/test.sh

step4: 训练模型

sh scripts/train.sh

step5: 验证预测

python predict.py \
--bit 48 \
--pic_id 1949

验证图片（类别：飞机 airplane， id: 0）

输出结果为:

----- Pretrained: Load model state from output/bit_48.pdparams
----- Predicted Class_ID: 0, Prob: 0.9965014457702637, Real Label_ID: 0
----- Predicted Class_NAME: 飞机 airplane, Real Class_NAME: 飞机 airplane

显然，预测结果正确。

六、TIPC

• 本项目为 12/24/32/48 bits 分别写了对应的 TIPC 配置文件， 均位于 test_tipc/configs 文件夹下；另外方便起见， scripts/tipc.sh 是一个直接跑所有 bits 的脚本。

• 详细日志放置在 test_tipc/output 目录下；

• 具体 TIPC 介绍及使用流程请参阅：test_tipc/README.md。

七、代码结构与详细说明

|-- paddle_greedyhash
    |-- deploy
        |-- inference_python
            |-- infer.py            # TIPC 推理代码
            |-- README.md           # TIPC 推理流程介绍
    |-- output              # 日志及模型文件
        |-- bit48_alone         # 偶然把bit48跑到了0.824，日志和权重存于此
            |-- bit_48.pdparams     # bit48_alone的模型权重
            |-- log_48.txt          # bit48_alone的训练日志
        |-- bit_12.pdparams     # 12bits的模型权重
        |-- bit_24.pdparams     # 24bits的模型权重
        |-- bit_32.pdparams     # 32bits的模型权重
        |-- bit_48.pdparams     # 48bits的模型权重
        |-- log_eval.txt        # 用训练好的模型测试日志（包含bit48_alone）
        |-- log_train.txt       # 依次训练 12/24/32/48 bits（不包含bit48_alone）
    |-- models
        |-- __init__.py
        |-- alexnet.py      # AlexNet 定义，注意这里有略微有别于 paddle 集成的 AlexNet
        |-- greedyhash.py   # GreedyHash 算法定义
    |-- test_tipc               # 飞桨训推一体认证（TIPC）
    |-- utils
        |-- datasets.py         # dataset, dataloader, transforms
        |-- lr_scheduler.py     # 学习率策略定义
        |-- tools.py            # mAP, acc计算；随机数种子固定函数
    |-- eval.py             # 单卡测试代码
    |-- export_model.py     # 模型动态转静态代码
    |-- predict.py          # 预测演示代码
    |-- train.py            # 单卡训练代码
    |-- README.md
    |-- pytorch_greedyhash
        |-- datasets.py         # PyTorch 定义dataset, dataloader, transforms
        |-- cal_map.py          # PyTorch mAP计算；
        |-- main.py             # PyTorch 单卡训练代码
        |-- output              # PyTorch 重跑日志

八、模型信息

关于模型的其他信息，可以参考下表：

信息	说明
发布者	文洪涛
Email	hatimwen@163.com
时间	2022.04
框架版本	Paddle 2.2.2
应用场景	图像检索
支持硬件	GPU、CPU
下载链接	预训练模型 提取码: tl1i
在线运行	AI Studio
License	Apache 2.0 license

九、参考及引用

@article{su2018greedy,
  title={Greedy hash: Towards fast optimization for accurate hash coding in cnn},
  author={Su, Shupeng and Zhang, Chao and Han, Kai and Tian, Yonghong},
  year={2018},
  journal={Advances in Neural Information Processing Systems},
  volume={31},
  year={2018}
}

• PaddlePaddle

最后，非常感谢百度举办的飞桨论文复现挑战赛（第六期）让本人对 PaddlePaddle 理解更加深刻。