学到这儿,课程已快接近尾声。
AI学习中,<数据>和<算法>是提高预测准确率的两大块儿。
5 模型集成
讲解的知识点包括:
- 集成学习方法
- 深度学习中的集成学习
- 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。
Stacking、Bagging和Boosting;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。
训练周期长,交叉验证可以提高精度。
下面假设构建了10折交叉验证,训练得到10个CNN模型。
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。
Dropout作为技巧,每个训练批次中,随机停掉一部分节点的工作;预测过程中,让所有节点工作。
优点:
- 有效的缓解模型过拟合
- 预测时增加模型的精度
代码如下:
# 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。
23-1.png | 23-2.png | 23-3.png |
测试集数据扩增,预测多次在平均。
代码如下:
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)
# 沿着竖直方向将矩阵堆叠起来
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
问题提出: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。
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。
代码如下:
from torch.optim.lr_scheduler import CyclicLR
#装载模型
model = SVHN_Model1()
#加入softmax函数后的交叉熵
criterion = nn.CrossEntropyLoss()
#SGD优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
#使用GPU
use_cuda = True
if use_cuda:
model = model.cuda()
#使用cyclical learning rate训练模型
scheduler = CyclicLR(optimizer, base_lr=5e-6, max_lr=5e-3, cycle_momentum=False, step_size_up=2500)
for epoch in range(45):
scheduler.step()
train_loss = train(train_loader, model, criterion, optimizer, epoch)
val_loss = validate(val_loader, model, criterion)
5.4 结果后处理
5.4.1 后处理的复杂性:
- 解决方案:可能根据任务的不同而不同
- 模型:因不同思路,可相互借鉴
- 预测结果:可以修改
5.4.2 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:
- 字符出现的频率:统计图片中每个位置字符出现的频率,使用规则修正结果;
- 字符长度预测模型: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 小结
深度学习模型做集成学习的各种方法,其优缺点:
- 缺点:需要耗费较大的训练时间
- 优点:验证集划分方法结合,Dropout和TTA在所有场景有可以起作用
网友评论