美文网首页
Datawhale 零基础入门CV赛事-Task5 模型集成

Datawhale 零基础入门CV赛事-Task5 模型集成

作者: 致Great | 来源:发表于2020-06-02 23:14 被阅读0次

    5 模型集成

    本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。

    5.1 学习目标

    • 学习集成学习方法以及交叉验证情况下的模型集成
    • 学会使用深度学习模型的集成学习

    5.2 集成学习方法

    在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有Stacking、Bagging和Boosting,同时这些集成学习方法与具体验证集划分联系紧密。

    由于深度学习模型一般需要较长的训练周期,如果硬件设备不允许建议选取留出法,如果需要追求精度可以使用交叉验证的方法。

    下面假设构建了10折交叉验证,训练得到10个CNN模型。
    [图片上传失败...(image-481bc3-1591110843409)]

    那么在10个CNN模型可以使用如下方式进行集成:

    • 对预测的结果的概率值进行平均,然后解码为具体字符;
    • 对预测的字符进行投票,得到最终字符。

    5.3 深度学习中的集成学习

    此外在深度学习中本身还有一些集成学习思路的做法,值得借鉴学习:

    5.3.1 Dropout

    Dropout可以作为训练深度神经网络的一种技巧。在每个训练批次中,通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。
    [图片上传失败...(image-4e7eb4-1591110843409)]

    Dropout经常出现在在先有的CNN网络中,可以有效的缓解模型过拟合的情况,也可以在预测时增加模型的精度。

    加入Dropout后的网络结构如下:

    # 定义模型
    class SVHN_Model1(nn.Module):
        def __init__(self):
            super(SVHN_Model1, self).__init__()
            # CNN提取特征模块
            self.cnn = nn.Sequential(
                nn.Conv2d(3, 16, kernel_size=(3, 3), stride=(2, 2)),
                nn.ReLU(),
                nn.Dropout(0.25),
                nn.MaxPool2d(2),
                nn.Conv2d(16, 32, kernel_size=(3, 3), stride=(2, 2)),
                nn.ReLU(), 
                nn.Dropout(0.25),
                nn.MaxPool2d(2),
            )
            # 
            self.fc1 = nn.Linear(32*3*7, 11)
            self.fc2 = nn.Linear(32*3*7, 11)
            self.fc3 = nn.Linear(32*3*7, 11)
            self.fc4 = nn.Linear(32*3*7, 11)
            self.fc5 = nn.Linear(32*3*7, 11)
            self.fc6 = nn.Linear(32*3*7, 11)
        
        def forward(self, img):        
            feat = self.cnn(img)
            feat = feat.view(feat.shape[0], -1)
            c1 = self.fc1(feat)
            c2 = self.fc2(feat)
            c3 = self.fc3(feat)
            c4 = self.fc4(feat)
            c5 = self.fc5(feat)
            c6 = self.fc6(feat)
            return c1, c2, c3, c4, c5, c6
    

    5.3.2 TTA

    测试集数据扩增(Test Time Augmentation,简称TTA)也是常用的集成学习技巧,数据扩增不仅可以在训练时候用,而且可以同样在预测时候进行数据扩增,对同一个样本预测三次,然后对三次结果进行平均。

    1 2 3
    [图片上传失败...(image-6111b8-1591110843409)] [图片上传失败...(image-3b4d78-1591110843409)] [图片上传失败...(image-30769c-1591110843409)]
    def predict(test_loader, model, tta=10):
       model.eval()
       test_pred_tta = None
       # TTA 次数
       for _ in range(tta):
           test_pred = []
       
           with torch.no_grad():
               for i, (input, target) in enumerate(test_loader):
                   c0, c1, c2, c3, c4, c5 = model(data[0])
                   output = np.concatenate([c0.data.numpy(), c1.data.numpy(),
                      c2.data.numpy(), c3.data.numpy(),
                      c4.data.numpy(), c5.data.numpy()], axis=1)
                   test_pred.append(output)
           
           test_pred = np.vstack(test_pred)
           if test_pred_tta is None:
               test_pred_tta = test_pred
           else:
               test_pred_tta += test_pred
       
       return test_pred_tta
    

    5.3.3 Snapshot

    本章的开头已经提到,假设我们训练了10个CNN则可以将多个模型的预测结果进行平均。但是加入只训练了一个CNN模型,如何做模型集成呢?

    在论文Snapshot Ensembles中,作者提出使用cyclical learning rate进行训练模型,并保存精度比较好的一些checkopint,最后将多个checkpoint进行模型集成。
    [图片上传失败...(image-dfb93b-1591110843410)]

    由于在cyclical learning rate中学习率的变化有周期性变大和减少的行为,因此CNN模型很有可能在跳出局部最优进入另一个局部最优。在Snapshot论文中作者通过使用表明,此种方法可以在一定程度上提高模型精度,但需要更长的训练时间。
    [图片上传失败...(image-424fb7-1591110843410)]

    5.4 结果后处理

    在不同的任务中可能会有不同的解决方案,不同思路的模型不仅可以互相借鉴,同时也可以修正最终的预测结果。

    在本次赛题中,可以从以下几个思路对预测结果进行后处理:

    • 统计图片中每个位置字符出现的频率,使用规则修正结果;
    • 单独训练一个字符长度预测模型,用来预测图片中字符个数,并修正结果。

    5.5 本章小节

    在本章中我们讲解了深度学习模型做集成学习的各种方法,并以此次赛题为例讲解了部分代码。以下几点需要同学们注意:

    • 集成学习只能在一定程度上提高精度,并需要耗费较大的训练时间,因此建议先使用提高单个模型的精度,再考虑集成学习过程;
    • 具体的集成学习方法需要与验证集划分方法结合,Dropout和TTA在所有场景有可以起作用。

    相关文章

      网友评论

          本文标题:Datawhale 零基础入门CV赛事-Task5 模型集成

          本文链接:https://www.haomeiwen.com/subject/xismzhtx.html