1.集成学习方法
为了提高模型精度,可以采用集成学习方法。
集成学习就是通过构建并结合多个学习器来完成学习任务,有时也被称为多分类器系统、基于委员会的学习等。常可获得比单一学习器显著优越的泛化性能,这对“弱学习器”尤为明显。
常见的集成学习方法有:Stacking,Bagging,Boosting,这些集成学习方法与具体验证集划分联系紧密。
验证集的划分上一次已经讲过,在深度学习模型中一般需要较长的训练周期,如果硬件设备不允许的话可以选择留出法,如果要求精度高硬件设备也允许的话,可以采用交叉验证法。
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:
1.对预测的结果的概率值进行平均,然后解码为具体字符;
2.对预测的字符进行投票,得到最终字符。
2.深度学习中的集成学习
2.1 Dropout
Dropout可以随机让网络中某一部分节点停止工作,同时在预测过程中让所有节点都起作用。
Dropout可以有效缓解模型过拟合,也可以增加模型的精度。
加入Dropout 的网络结构如下:
#<div STYLE="page-break-after: always;"></div>
# 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
2.2 TTA
TTA是Test Time Augmentation的简称,也就是测试集数据扩增,数据扩增不仅可以在训练时候用,也可以在预测时候用,对同一个样本预测三次然后对结果求平均。
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
2.3 Snapshot
假如只训练了一个CNN模型,可以使用Snapshot Ensembles中的cyclical learning rate 进行训练模型,并保存精度比较好的一些checkpoint,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。
3.结果后处理
对结果处理可以通过以下两种方式:
1.统计图片中每个位置字符出现的频率,使用规则修正结果
2.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。
4.小结
短暂的打卡转眼已经到了尾声,想来也有许多的收获,从baseline开始才算真正接触成型的代码,接触了深度学习的一些内容,虽然编程基础还比较差,但还是在努力跟进着,由于疫情的原因,家里只有一台老台式,生产力跟不上很恼火,训练也只跑成了个零点四几,学完今天的内容再对代码改进一下,再跑一遍试试吧。两个epoch跑一天真实难为人了。