【论文复现】基于 PaddlePaddle 实现 HashNet

P粉084495128

发布时间：2025-08-01 13:37:48

886人浏览过

来源于php中文网

原创

本文介绍基于PaddlePaddle复现HashNet（ICCV2017）的项目。HashNet针对图像检索中哈希学习的问题，通过数据均衡化和改进符号激活函数提升性能。项目在COCO2014数据集上复现，16/32/48/64bits的结果达0.619、0.682、0.715、0.734，超验收指标。还含环境配置、快速开始流程、代码结构等，提供GitHub repo及相关资源。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

【论文复现】基于 paddlepaddle 实现 hashnet - php中文网

【论文复现-图像检索】基于 PaddlePaddle 实现 HashNet(ICCV2017)

原论文：HashNet: Deep Learning to Hash by Continuation.
官方原版代码（基于caffe/PyTorch）HashNet.
第三方参考代码（基于PyTorch）DeepHash-pytorch.
本项目GitHub repo paddle_hashnet，欢迎star~

一、简介

对于大规模的最近邻搜索问题，比如图像检索 Deep Hashing等，哈希学习被广泛应用。然而现有基于深度学习的哈希学习方法需要先学习一个连续表征，再通过单独的二值化来生成二进制的哈希编码，这导致检索质量严重下降。HashNet则提出了两点改进方式：1. 针对不平衡分布的数据做了一个均衡化；2. 针对符号激活进行了改进，即让激活函数 $h = t a n h (β z)$ h=tanh(βz) 中的 $β$ β 在训练过程中不断变化最终逼近1。下图展示了 HashNet 的主要架构。

【论文复现】基于 PaddlePaddle 实现 HashNet - php中文网

HashNet 架构

二、复现精度

	16bits	32bits	48bits	64bits
验收指标	0.622	0.682	0.715	0.727
复现结果	0.619	0.682	0.715	0.734

本项目（基于 PaddlePaddle ）依次跑 16/32/48/64 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paddle_hashnet/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。

三、数据集

MS COCO（即 COCO2014 ）

COCO2014 是一个图像识别、分割和字幕数据集。它包含 82,783 张训练图像和 40,504 张验证图像，共 80 个类别。
对其中没有类别信息的图像进行剪枝后，将训练图像和验证图像相结合，得到 122218 张图像。然后随机抽取 5000 张图像作为查询集，其余用作数据库；此外,从数据库中随机抽取 10,000 张图像作为训练集。数据集处理代码详见 paddle_hashnet/utils/datasets.py。另外数据集分割好的list放在 paddle_hashnet/data/coco/ 路径下。
需要注意的是：通过对比发现，原作者的list与第三方参考代码 DeepHash-pytorch 中的list略有不同，不过经过测试，两种list最终跑出来精度差不多。本项目复现的时候采用与原作者一样的list。
数据集准备过程如下：

In [1]

%cd /home/aistudio/data/data107046
!unzip -q val2014.zip!unzip -q train2014.zip

/home/aistudio/data/data107046
val2014/COCO_val2014_000000264819.jpg  bad CRC 26cc9046  (should be 31672bf3)
train2014/COCO_train2014_000000470472.jpg  bad CRC fe4e7fc0  (should be 30b79e46)

另外，为了方便快速体验本项目的训练过程，已将少量的 coco 数据（coco_lite）位于 paddle_hashnet/datasets/coco_lite 下，同时对应的 list 在 paddle_hashnet/data/coco_lite 下。

四、环境依赖

本人环境配置：

Python: 3.7.11
PaddlePaddle: 2.2.2
硬件：NVIDIA 2080Ti * 2

五、快速开始

step1: 下载本项目及训练权重

本项目在AI Studio上，您可以选择fork下来直接运行。

或者，您也可以从GitHub上git本repo在本地运行：

华友协同办公自动化OA系统

华友协同办公管理系统(华友OA)，基于微软最新的.net 2.0平台和SQL Server数据库，集成强大的Ajax技术，采用多层分布式架构，实现统一办公平台，功能强大、价格便宜，是适用于企事业单位的通用型网络协同办公系统。系统秉承协同办公的思想，集成即时通讯、日记管理、通知管理、邮件管理、新闻、考勤管理、短信管理、个人文件柜、日程安排、工作计划、工作日清、通讯录、公文流转、论坛、在线调查、

下载

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

权重部分：

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。或者您也可以按照下载某个bit位数的权重以测试相应性能。
下载链接：BaiduNetdisk, 提取码: pa1c 。
注意：在AI Studio上，已上传了 weights_64.pdparams 权重文件在 paddle_hashnet/output 路径下，方便体验。

step2: 修改参数

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

step3: 验证模型

以hashnet_64的模型验证为例，在 AI Studio 上，由于已预先上传 weights_64.pdparams 权重文件，因此可以直接运行：

In [2]

%cd /home/aistudio/paddle_hashnet
!python main_single_gpu.py \
--bit 64 \
--eval \
--pretrained output/weights_64 \
--data-path /home/aistudio/data/data107046 \
--batch-size 64

/home/aistudio/paddle_hashnet
train_set 10000
test 5000
database 112218
0508 10:32:29 PM 
Namespace(alpha=0.1, batch_size=64, bit=64, crop_size=224, data={'train_set': {'list_path': 'data/coco/train.txt', 'batch_size': 64}, 'database': {'list_path': 'data/coco/database.txt', 'batch_size': 64}, 'test': {'list_path': 'data/coco/test.txt', 'batch_size': 64}}, data_path='/home/aistudio/data/data107046', dataset='coco', de_step=50, debug_steps=50, epoch=150, eval=True, eval_epoch=10, last_epoch=0, learning_rate=0.001, log_path='logs/', model='HashNet', momentum=0.9, num_class=80, num_train=10000, optimizer='SGD', output_dir='checkpoints/', pretrained='output/weights_64', resize_size=256, resume=None, seed=2000, step_continuation=20, topK=5000, weight_decay=0.0005)
W0508 22:32:29.411818  3079 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0508 22:32:29.415261  3079 device_context.cc:465] device: 0, cuDNN Version: 7.6.
Loading AlexNet state from path: /home/aistudio/paddle_hashnet/models/AlexNet_pretrained.pdparams
0508 10:32:39 PM ----- Total # of train batch: 157
0508 10:32:39 PM ----- Total # of test batch: 79
0508 10:32:39 PM ----- Total # of base batch: 1754
0508 10:32:41 PM ----- Pretrained: Load model state from output/weights_64.pdparams
0508 10:32:41 PM ----- Start Validating
100%|███████████████████████████████████████████| 79/79 [00:35<00:00,  2.25it/s]
100%|███████████████████████████████████████| 1754/1754 [11:45<00:00,  2.48it/s]
100%|███████████████████████████████████████| 5000/5000 [16:22<00:00,  5.09it/s]
0508 11:01:25 PM EVAL-HashNet, bit:64, dataset:coco, MAP:0.734

注意：在您自己的环境中，需要提前下载并排列好 BaiduNetdisk 中的各个预训练模型。另外，在您自己的环境里，可以用下面的脚本进行模型的验证：

多卡，直接运行该脚本：

sh scripts/test_multi_gpu.sh

单卡，直接运行该脚本：

sh scripts/test_single_gpu.sh

step4: 训练模型

以hashnet_64在少量数据coco_lite 上的模型训练为例，在 AI Studio 上可以直接运行：

In [5]

# hashnet_64 coco_lite train:%cd /home/aistudio/paddle_hashnet
!python main_single_gpu.py \
--bit 64 \
--dataset coco_lite \
--data-path datasets/coco_lite \
--seed 2000 \
--batch-size 10 \
--learning_rate 0.001 \
--epoch 2

/home/aistudio/paddle_hashnet
train_set 9
test 4
database 13
0508 11:21:40 PM 
Namespace(alpha=0.1, batch_size=10, bit=64, crop_size=224, data={'train_set': {'list_path': 'data/coco_lite/train.txt', 'batch_size': 10}, 'database': {'list_path': 'data/coco_lite/database.txt', 'batch_size': 10}, 'test': {'list_path': 'data/coco_lite/test.txt', 'batch_size': 10}}, data_path='datasets/coco_lite', dataset='coco_lite', de_step=50, debug_steps=50, epoch=2, eval=False, eval_epoch=10, last_epoch=0, learning_rate=0.001, log_path='logs/', model='HashNet', momentum=0.9, num_class=80, num_train=9, optimizer='SGD', output_dir='checkpoints/', pretrained=None, resize_size=256, resume=None, seed=2000, step_continuation=20, topK=5000, weight_decay=0.0005)
W0508 23:21:40.076992  6493 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0508 23:21:40.080780  6493 device_context.cc:465] device: 0, cuDNN Version: 7.6.
Loading AlexNet state from path: /home/aistudio/paddle_hashnet/models/AlexNet_pretrained.pdparams
0508 11:21:44 PM ----- Total # of train batch: 1
0508 11:21:44 PM ----- Total # of test batch: 1
0508 11:21:44 PM ----- Total # of base batch: 2
0508 11:21:44 PM Start training from epoch 1.
0508 11:21:44 PM Epoch[001/002], Step[0000/0001], Loss: 1.2787
0508 11:21:44 PM HashNet[ 1/ 2] bit:64, lr:0.000156250, scale:1.000, train loss:1.279
0508 11:21:45 PM Epoch[002/002], Step[0000/0001], Loss: 1.2734
0508 11:21:45 PM HashNet[ 2/ 2] bit:64, lr:0.000156250, scale:1.000, train loss:1.273
0508 11:21:45 PM ----- Validation after Epoch: 2
100%|█████████████████████████████████████████████| 1/1 [00:00<00:00,  3.49it/s]
100%|█████████████████████████████████████████████| 2/2 [00:00<00:00,  4.75it/s]
100%|███████████████████████████████████████████| 4/4 [00:00<00:00, 3843.58it/s]
0508 11:21:45 PM save in checkpoints/model_best_64
0508 11:21:47 PM Max mAP so far: 0.6074 at epoch_2
0508 11:21:47 PM ----- Save BEST model: checkpoints/model_best_64.pdparams
0508 11:21:47 PM ----- Save BEST optim: checkpoints/model_best_64.pdopt
0508 11:21:47 PM HashNet epoch:2, bit:64, dataset:coco_lite, MAP:0.607, Best MAP(e2): 0.607
0508 11:21:47 PM Training completed for HashNet(64).
0508 11:21:47 PM Best MAP(e2): 0.607

而对于hashnet_64在完整COCO2014数据集上的完整模型训练过程，在 AI Studio 上运行下列命令（具体输出不再展示，有兴趣可自行运行训练）：

# hashnet_64 COCO2014 train:cd /home/aistudio/paddle_hashnet
python main_single_gpu.py \
--bit 64 \
--data-path /home/aistudio/data/data107046 \
--seed 2000 \
--batch-size 64 \
--learning_rate 0.001 \
--epoch 150

另外，在您自己的环境里，可以用下面的脚本进行模型的完整训练过程：

多卡，直接运行该脚本（本项目运行场景为双卡，因此建议用双卡跑此脚本复现）：

sh scripts/train_multi_gpu.sh

单卡，直接运行该脚本：

sh scripts/train_single_gpu.sh

step5: 验证预测

由于为数据库编码用时较长，因此已将通过各个bits 的 HashNet 编码得到的数据库编码存在 paddle_hashnet/output/database_code_*.npy 。亦可将其删去后运行 paddle_hashnet/predict.py ，会在第一次预测的时候自动保存数据库编码。

【论文复现】基于 PaddlePaddle 实现 HashNet - php中文网

验证图片

以 64 bits 为例，对于上面的验证图片，验证预测的命令如下：

In [6]

%cd /home/aistudio/paddle_hashnet
!python predict.py \
--bit 64 \
--data_path /home/aistudio/data/data107046/ \
--img resources/COCO_val2014_000000403864.jpg \
--save_path ./output

/home/aistudio/paddle_hashnet
train_set 10000
test 5000
database 112218
W0508 23:22:46.023320  6662 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1
W0508 23:22:46.026542  6662 device_context.cc:465] device: 0, cuDNN Version: 7.6.
Loading AlexNet state from path: /home/aistudio/paddle_hashnet/models/AlexNet_pretrained.pdparams
----- Pretrained: Load model state from output/weights_64
----- Load code of database from ./output/database_code_64.npy
----- Predicted Hamm_min: 0.0
----- Found Mateched Pic: /home/aistudio/data/data107046/val2014/COCO_val2014_000000403864.jpg
----- Save Mateched Pic in: ./output/COCO_val2014_000000403864.jpg

显然，匹配结果正确。

六、TIPC

本项目为 16/32/48/64 bits 分别写了对应的 TIPC 配置文件，均位于 paddle_hashnet/test_tipc/configs 文件夹下；另外方便起见， paddle_hashnet/scripts/tipc.sh 是一个直接跑所有 bits 的脚本；
详细日志放置在 paddle_hashnet/test_tipc/output 目录下；
具体 TIPC 介绍及使用流程请参阅：paddle_hashnet/test_tipc/README.md。

七、代码结构与详细说明

|-- paddle_hashnet
    |-- data                # 数据集list
        |-- coco                # 暂时仅验证coco数据集
            |-- database.txt        # 数据库list
            |-- test.txt            # 测试集list
            |-- train.txt           # 训练集list
        |-- coco_lite           # 用于 TIPC 验证的少量数据list
            |-- database.txt        # 数据库list
            |-- test.txt            # 测试集list
            |-- train.txt           # 训练集list
    |-- datasets            # 数据集存放位置
        |-- coco_lite           # 用于 TIPC 验证的少量数据集
            |-- train2014           # 训练集图片
            |-- val2014             # 测试集图片
    |-- deploy
        |-- inference_python
            |-- infer.py            # TIPC 推理代码
            |-- README.md           # TIPC 推理流程介绍
    |-- models              # 模型定义
        |-- __init__.py
        |-- alexnet.py          # AlexNet 定义，注意这里有略微有别于 paddle 集成的 AlexNet
        |-- hashnet.py          # HashNet 算法定义
    |-- output              # 日志及模型文件
        |-- test                # 测试日志
            |-- log_16.txt          # 16bits的测试日志
            |-- log_32.txt          # 32bits的测试日志
            |-- log_48.txt          # 48bits的测试日志
            |-- log_64.txt          # 64bits的测试日志
        |-- train               # 训练日志
            |-- log_16.txt          # 16bits的训练日志
            |-- log_32.txt          # 32bits的训练日志
            |-- log_48.txt          # 48bits的训练日志
            |-- log_64.txt          # 64bits的训练日志
        |-- weights_16.pdparams     # 16bits的模型权重
        |-- weights_32.pdparams     # 32bits的模型权重
        |-- weights_48.pdparams     # 48bits的模型权重
        |-- weights_64.pdparams     # 64bits的模型权重
        |-- database_code_16.npy    # 数据库通过HashNet得到的16bits编码
        |-- database_code_32.npy    # 数据库通过HashNet得到的32bits编码
        |-- database_code_48.npy    # 数据库通过HashNet得到的48bits编码
        |-- database_code_64.npy    # 数据库通过HashNet得到的64bits编码
    |-- scripts
        |-- test_multi_gpu.sh   # 多卡测试脚本
        |-- test_single_gpu.sh  # 单卡测试脚本
        |-- tipc.sh             # TIPC 脚本
        |-- train_multi_gpu.sh  # 多卡训练脚本
        |-- train_single_gpu.sh # 单卡训练脚本
    |-- test_tipc               # 飞桨训推一体认证（TIPC）
    |-- utils
        |-- datasets.py         # dataset, dataloader, transforms
        |-- loss.py             # HashNetLoss 定义
        |-- lr_scheduler.py     # 学习率策略定义
        |-- tools.py            # mAP计算；随机数种子固定函数；database_code计算
    |-- export_model.py     # 模型动态转静态代码
    |-- main_multi_gpu.py   # 多卡训练测试代码
    |-- main_single_gpu.py  # 单卡训练测试代码
    |-- predict.py          # 预测演示代码
    |-- README.md

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: pa1c
Github repo	paddle_hashnet
License	Apache 2.0 license

九、参考及引用

@inproceedings{cao2017hashnet,
  title={Hashnet: Deep learning to hash by continuation},
  author={Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Yu, Philip S},  booktitle={Proceedings of the IEEE international conference on computer vision},
  pages={5608--5617},
  year={2017}
}