应用场景:
我们常常会遇到--数据集不平衡--问题,举个最简单的例子:猫狗分类,你有10000张狗的图片,却只有1000张猫的图片。这时如果直接利用整个数据集训练就很容易导致网络对‘狗’这个类别过拟合,在猫的识别任务上表现很差。
解决方法:使用pytorch的WeightedRandomSampler,每个epoch根据每个类别的数量赋予权重,对每个类别样本进行采样。
例如:每个epoch使用1600张图片训练网络,其中狗的样本被采样的概率低,但数量多,猫的样本被采样概率高,但数量少,这就使得1600张训练图片中两个类别数量差不多,而且每个epoch都进行采样,训练够多的话,所有图片基本都被训练过。
官方用法介绍
先看下官网的API
weight:一个列表,其中每个数衡量位于该index的样本被采样的概率权重(不需要总和为1)
num_samples:一个整数,表示你要采样的个数,比如上面猫狗分类每epoch在整个数据集中采样1600个图片
replacement:一个bool变量,是否重复采样,如果是True,则一个图片可能被采样多次。
generator:没用,不用管。
应用示例:
猫狗分类,10000张狗图片,1000张猫图片。要实现:每个epoch只取1600张图片训练,且不重复采样
关键代码:
from torch.utils.data import DataLoader
from torch.utils.data.sampler import WeightedRandomSampler
# 自定义的dataset,前10000个是dog,然后是1000个cat,共11000个数据。
train_dataset = DataGenerator(train_imgs, input_shape=input_shape, train=True)
# 每个类别的样本数量
num_dog = 10000
num_cat = 1000
# weight列表
train_weights = []
train_weights.extend([1/num_dog]*num_dog) # 扩展10000个0.0001,前10000个样本的采样权重,狗多权重小
train_weights.extend([1/num_cat]*num_cat) # 扩展1000个0.001,后1000个样本的采样权重,猫少权重大
print(train_weights) # 可以打印看看,总共11000个数,前10000个是0.0001,然后是1000个0.001
# 创建WeightedRandomSampler,1600为采样数
train_sampler = WeightedRandomSampler(train_weights, 1600, replacement=False)
# 将sampler传给Dataloader,不再需要shuffle
gen = DataLoader(train_dataset, batch_size=128, sampler=train_sampler, num_workers=8)
解释:weight列表里面是每个样本的采样概率,11000个样本那就有11000个权重,例子中,狗的权重加起来为1,猫的权重加起来也是1,猫狗权重总和相等,保证每个epoch中1600样本中两类图片样本数差不多。Dataloader每次先利用sampler从dataset中采样1600个图片,再分成一堆堆的batch进行训练。
怕大家看不懂,废话很多请见谅。如果有问题请评论区交流。