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
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
- 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
深度学习中的集成学习
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起作用
Dropout
经常出现在在现有的CNN
网络中,可以有效地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:
<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
TTA
-测试集数据扩增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
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
Snapshot
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相互借鉴,同时也可以修正最终的预测结果。
- 统计图片中每个位置字符出现的概率,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
小结
- 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,在考虑集成学习过程
- 具体的集成学习方法需要与验证集划分方法结合,
Dropout
和TTA
在所有场景可以起作用