零基础入门语义分割-地表建筑物识别 Task6 模型集成 -学习笔记

在上一章我们学习了如何构建验证集，如何训练和验证。本章作为本次赛题学习的最后一章，将会讲

解如何使用集成学习提高预测精度。

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。

一、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

二、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 个语义分割模型。

 

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；

 

三、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：

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 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。

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。

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 ?

43 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。

四、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。