Datawhale 零基础入门CV-Task05.模型集成

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