使用MXNet Gluon实现的Center Loss的另一种方法。
- 对CenterLoss进行了略微修改（在center loss计算时，通过hist平衡类别间的损失）以保证其功能和ShownX的保持一致。
- 在对模型的准确率进行评估时，默认使用model输出的class prediction进行。在本代码中，额外增加了使用KNN（基于欧氏距离）search进行类别预测和评估。
- 增加了一种额外的训练方式，即仅仅使用center lossx进行训练。
-
和ShownX的实现方式相比，使用gluon.nn.Embedding的方式更加简洁，而且运行效率更高（训练耗时更短）。
-
使用不同的损失函数进行训练后模型在验证集上的准确率如下：
| loss / evaluation method | class prediction | KNN search |
|---|---|---|
| softmax | 0.9855 | - |
| softmax + center loss | 0.9873 | 0.9823 |
| center loss | 0.9872 | 0.9851 |
使用softmax+center loss进行训练，模型的准确率相比使用softmax进行训练时大约有了0.0018的提升；使用center loss进行训练后模型准确率略有下降。 使用KNN search对图像进行分类的准确率要低于使用模型直接输出的类别概率。 使用center loss进行单独训练后，KNN search的准确率有了相对较大的提升，表现在feature map中即feature的聚集性变好。
P.S. 通过一系列的试验发现，使用softmax+center loss训练10个epoch，然后使用center loss训练30个epoch得到的模型的准确率最高，结果可达99.85%。
P.P.S. 训练参数：epoch=30, lr=0.1, lr_step=10, lr_factor=0.1, batch_size=128, wd=1E-4, lmbd=1, alpha=0.5
- 不同损失函数训练后模型的feature map如下所示（从上到下依次为softmax, softmax+center loss, center loss)：
feature map of training dataset
feature map of test dataset
可以看出，使用softmax进行训练时，feature map呈现为放射状（在交叉熵损失函数的优化下，只要类别间具有能够区分的margin即可）。使用softmax+center loss训练之后，因为center loss会约束features向类中心特征聚集，因此最后feature map呈现为放射状和点簇状的折中状态。而经过center loss单独的训练后，feature map中的点簇分布得更加密集。
模型在训练集上feature map分布较好，在验证集上相对较差；且在softmax+center loss的基础上使用center loss重新进行训练之后，feature map在验证集上没有特别显著的差异。
P.S. 训练过程中feature map的变化可参照output中的gif文件。
P.P.S. 目前在face recognition中主流的损失函数仍然是softmax的各种改型。添加regulation可以将放射状的feature map约束在更小的范围内；添加基于欧氏距离或者余弦距离的损失可以改变feature map的分布特征；对loss进行分段病添加不同的权重，可以在数据集上实现更好的结果（然而换个数据集就没有卵用了）。
P.P.P.S. 一个有意思的特征分布，本代码和ShownX的代码中4和8两个数字的feature map都位于图中心（在不同的训练中，4和8一直位于正中，而其他的数字在外围的位置则在持续变化。）。参考其他的代码可知，将feature和class输出层（Dense Layer）中的use_bias设置为False之后，就能够完美复现center loss原始论文中的环形分布。 而且经过这样的修改后，使用class prediction和KNN search之间的准确率差距消失。 而且，这样修改之后经过center loss的单独训练后feature map更偏向于圆形点簇。
本项目的实现源于ShownX实现的mxnet-center-loss. 然而在阅读代码的过程中，发现Center Loss的实现并不直观。所以我就在思考能否使用其他的方式实现类似的计算过程。在阅读NLP相关的代码时意识到可以使用gluon.nn.Embedding代替之前代码中的Parameter dict。因为前者也能够实现label到feature的转换，而且输入label得到feature的过程是自动化的。
本项目中的代码大部分来源于这里.除了修改了原项目中对于center loss的代码之外，其他部分增加了新的注释以便理解，修改了一小部分代码以方便后续的使用。
为了能够理解本项目中的实现和之前有什么不同，你可以查看center_loss.py中的原始代码。简单来说，通过一个嵌入层可以直接从label得到对应的feature，而不需要调用pick函数。这样修改后除了看起来pipeline更加清楚之外，Center Loss也能够像一个常规的模型一样被使用。
pip install -r requirements.txt
- 使用softmax loss训练
$ python main.py --train --prefix=softmax-loss --epochs 30 --lr 0.1 --lr_step 10 --batch_size 128 --num_classes 10 --feature_size 2 --use_gpu True --plotting
- 使用softmax + center loss训练
$ python main.py --train --center_loss --prefix=center-loss --lmbd 1 --alpha 0.5 --epochs 30 --lr 0.1 --lr_step 10 --batch_size 128 --num_classes 10 --feature_size 2 --use_gpu True --plotting
- 在2的基础上使用center loss单独进行训练
$ #python main.py --second_train --prefix=center-loss --lmbd 1 --alpha 0.5 --epochs 30 --lr 0.1 --lr_step 10 --batch_size 128 --num_classes 10 --feature_size 2 --use_gpu True --plotting
P.S. 在main.py中你可以查看更多的训练/测试选项。例如说你可以调整batch size的大小，更改训练的epoch和学习率等等。想要得到原始论文中类似的特征分布图，则需要在训练或者测试的命令行中增加--plotting选项。
- 使用class prediction进行评估测试
$ python main.py --test --prefix=center-loss --lmbd 1 --batch_size 128 --num_classes 10 --feature_size 2 --use_gpu True --eval_method softmax
- 使用softmax + center loss测试
$ python main.py --test --prefix=center-loss --lmbd 1 --batch_size 128 --num_classes 10 --feature_size 2 --use_gpu True --eval_method knn
P.S. 使用softmax训练的模型无法使用knn进行评估，因为没有特征矩阵可用。
Another kind implementation of center loss using MXNet Gluon.
This project is inspired by an implementation of center loss using MXNet. However, when reading the implementation code, I found it was a little ugly. So I wonder if there is another kind of implementatiuon which is clean and simple. So I try to use gluon.nn.Embedding to replace Parameter dict in that origin responsitory. The experiment results showed there is no difference.
Most codes in this responsitory comes from here. In addtion to my center loss class, I chaned some codes and added some annotations to make it more easier to understand.
To understand the difference of center loss implemetation between mine and my reference, you can read codes in center_loss.py.
pip install -r requirements.txt
- Train with original softmax
$ python main.py --train --prefix=softmax
- Train with softmax + center loss
$ python main.py --train --center_loss --prefix=center-loss
- Test with original softmax
$ python main.py --test --prefix=softmax
- Test with softmax + center loss
$ python main.py --test --prefix=center-loss
P.S. In the script main.py, you can find more train/test options. For example, you can change batch size, learning rate, whether to gpu for training/testing. If you want to get similar feature map in the origin paper, you can add --plotting in command line.