cv大赛-task5 模型集成

学习目标

1.学习集成方法以及交叉验证情况下模型集成。
2.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练习紧密。
由于深度学习模型要较长的训练周期，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方法。
下面构建10折交叉验证，序列得到10个CNN模型。

那么在10个CNN模型可以使用吐下方式进行集成：
1.对与错的结果的概率值进行平均，然后解码为具体字符。
2.对与错的字符进行投票，得到最终结果。

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，通过随机预测的过程中让所有的节点都起作用。

Dropout经常出啊先在现有的CNN网络中，可以有效的缓解模型过拟合的情况下，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，同样也可以在预测时候进行数据扩增。

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

在论文Snapshot Ensembles中，作者提出使用Cyclical learning rate 进行训练，并保存较好的精度，并且把这些较好精度模型进行集成。