动手深度学习——计算机视觉

一、数据增广

参考李沐《动手深度学习》、哔哩哔哩视频

1.1 为何进行数据增广？

1. CES真实案例：
   几年前，一家做无人售货的公司发现演示机器在现场的效果很差，因为现场在赌城拉斯维加斯，现场与之前的开发测试办公室：

• 色温不同。赌城灯光很暗，偏黄
• 测试demo时机器放在桌子上，桌子很亮，反射后图片取景有变化

解决：开场前一天现场测试有问题，马上现场采集数据发回国内，训练一个新的模型，并且买了一块桌布就没有反光了。

例如语音识别、CV等场景，训练模型时可以模拟部署场景的各种情况，是提高模型泛化性的一种手段。

2. 数据增广的优点：

• 数据增⼴可以⽣成相似但不同的训练样本，从⽽扩⼤了训练集的规模，增加数据多样性。
• 此外，随机改变训练样本可以减少模型对某些属性的依赖，从⽽提⾼模型的泛化能⼒。例如，我们可以以不同的⽅式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。我们还可以调整亮度、颜⾊等因素来降低模型对颜⾊的敏感度
• 增广方式：语音中加入不同背景音，图片可以改变颜色、亮度和形状等。

一般的做法是图片进行随机在线数据增广之后再进行训练，相当于一个正则项。

3. 软件安装：

pip install torch==1.10.2
pip install torchvision==0.11.3
pip install d2l==0.17.4

1.2 常见图片增广方式

%matplotlib inline
import torch
import torchvision
from torch import nn
from d2l import torch as d2l

d2l.set_figsize()
img = d2l.Image.open('../img/cat1.jpg')
d2l.plt.imshow(img);

定义辅助函数apply。此函数在输⼊图像img上多次运⾏图像增⼴⽅法aug并显⽰所有结果：

def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]#对num_rows * num_cols的图片进行增广存储到Y
    d2l.show_images(Y, num_rows, num_cols, scale=scale)#打印出增广后的图片

img：被增广图片
aug：增广办法
num_rows、num_cols：图片被增广成几行几列
scale：放大比例

1.2.1 翻转

• 图片可以左右、上下翻转，但不一定总是可行。比如树叶可以上下翻转，但是建筑上下翻转就很奇怪，所以要根据样本来决定。
• 使⽤transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的⼏率使图像向左或向右翻转

apply(img,torchvision.transforms.RandomHorizontalFlip())#随机左右翻转

apply(img, torchvision.transforms.RandomVerticalFlip())#随机上下翻转

1.2.2 切割（裁剪）

从原图切割一块，再变形到固定形状（卷积网络固定输入）。切割方式可以是随机高宽比、随机大小、随机位置。

shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

• (200, 200)：裁剪后resize到200*200像素（卷积网络输入是固定的）
• scale（0.1,1）：随机裁剪⼀个⾯积为原始⾯积10%到100%的区域
• ratio=(0.5, 2))：裁剪区域的宽⾼⽐从0.5到2之间随机取值
  

1.2.3 改变颜⾊

主要是改变色调（偏黄偏蓝等等）、饱和度（浓度）、亮度等等。创建一个RandomColorJitter实例，并设置如何同时[随机更改图像的亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）]：

color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
apply(img, color_aug)

#brightness=0.5表示明度在50%-150%之间随机变化，其它参数类同
#四个参数随机取值组合决定图片变化

1.2.4 综合使用

• 在实践中，我们将结合多种图像增广方法。比如，我们可以通过使用一个Compose实例来综合上面定义的不同的图像增广方法，并将它们应用到每个图像：

shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
color_aug = torchvision.transforms.ColorJitter(
    brightness=0.2, contrast=0, saturation=0.2, hue=0.05)

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)

• 还可以有其它方式，比如高斯模糊、锐化、图片中间去块等等。但不是每一种都有用。如果测试集或者部署环境中没有那些奇怪的图片，某些方法可以不用。所以是应该先考虑测试集、部署环境中图片会有哪些变化，再考虑图片增广应该使用哪些方法。

1.3 使⽤图像增⼴进⾏训练

我们使⽤CIFAR-10数据集进行图像增广之后再训练模型。CIFAR-10数据集中对象的颜⾊和⼤⼩差异更明显。CIFAR-10数据集中的前32个训练图像如下所⽰：

all_images = torchvision.datasets.CIFAR10(train=True, root="../data",
                                          download=True)
d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

• 为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，且在预测过程中不使用随机操作的图像增广。在这里，我们[只使用最简单的随机左右翻转]。（因为图片已经在最中间了，且比较小，大概32*32。且训练测试集亮度颜色差不多，不需要做太厉害的增广）
• 此外，我们使用ToTensor实例将一批图像转换为4d的Tensor矩阵方便训练，即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0到1。

train_augs = torchvision.transforms.Compose([
     torchvision.transforms.RandomHorizontalFlip(),
     torchvision.transforms.ToTensor()])

test_augs = torchvision.transforms.Compose([
     torchvision.transforms.ToTensor()])

2. 生成数据集
   接下来，我们[定义一个辅助函数，以便于读取图像和应用图像增广]。PyTorch数据集提供的transform函数应用图像增广来转化图像：

def load_cifar10(is_train, augs, batch_size):
    dataset = torchvision.datasets.CIFAR10(root="../data", train=is_train,
                                           transform=augs, download=True)
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                    shuffle=is_train, num_workers=d2l.get_dataloader_workers())
    return dataloader

这里的d2l.get_dataloader_workers()=4，多开进程是因为图片随机增广的时候计算量很大，开多进程可以快一点。

3. 定义模型
   我们在CIFAR-10数据集上训练一个多GPU的ResNet-18模型：

#@save
def train_batch_ch13(net, X, y, loss, trainer, devices):
    """用多GPU进行小批量训练"""
    if isinstance(X, list):
        # 微调BERT中所需（稍后讨论）
        X = [x.to(devices[0]) for x in X]#如果X是list就一个个copy到devices
    else:
        X = X.to(devices[0])
    y = y.to(devices[0])
    net.train()
    trainer.zero_grad()#梯度归零
    pred = net(X)
    l = loss(pred, y)
    l.sum().backward()#梯度回传
    trainer.step()
    train_loss_sum = l.sum()
    train_acc_sum = d2l.accuracy(pred, y)
    return train_loss_sum, train_acc_sum

#@save
def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
               devices=d2l.try_all_gpus()):
    """用多GPU进行模型训练"""
    timer, num_batches = d2l.Timer(), len(train_iter)
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
                            legend=['train loss', 'train acc', 'test acc'])
    net = nn.DataParallel(net, device_ids=devices).to(devices[0])
    for epoch in range(num_epochs):
        # 4个维度：储存训练损失，训练准确度，实例数，特点数
        metric = d2l.Accumulator(4)
        for i, (features, labels) in enumerate(train_iter):
            timer.start()
            l, acc = train_batch_ch13(
                net, features, labels, loss, trainer, devices)
            metric.add(l, acc, labels.shape[0], labels.numel())
            timer.stop()
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (metric[0] / metric[2], metric[1] / metric[3],
                              None))
        test_acc = d2l.evaluate_accuracy_gpu(net, test_iter)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {metric[0] / metric[2]:.3f}, train acc '
          f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
          f'{str(devices)}')

4. 增广训练
   定义train_with_data_aug函数，使用图像增广来训练模型]。该函数获取所有的GPU，并使用Adam作为训练的优化算法，将图像增广应用于训练集，最后调用刚刚定义的用于训练和评估模型的train_ch13函数。

batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)

def init_weights(m):
    if type(m) in [nn.Linear, nn.Conv2d]:
        nn.init.xavier_uniform_(m.weight)

net.apply(init_weights)

def train_with_data_aug(train_augs, test_augs, net, lr=0.001):#训练集是增广数据集train_augs
    train_iter = load_cifar10(True, train_augs, batch_size)
    test_iter = load_cifar10(False, test_augs, batch_size)
    loss = nn.CrossEntropyLoss(reduction="none")
    trainer = torch.optim.Adam(net.parameters(), lr=lr)
    train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

使用基于随机左右翻转的图像增广来训练模型：

train_with_data_aug(train_augs, test_augs, net)

loss 0.167, train acc 0.943, test acc 0.843
5486.0 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

不用图像增广，效果：

loss 0.072, train acc 0.975, test acc 0.824
5560.0 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

对比可以看到，简单翻转图片可以有效降低过拟合程度（训练测试集精度差异更小，overfiting更小）。有些情况下测试集精度高于训练集精度，是由于训练集图片增广太狠，出现很多奇怪的图片，精度下降。而测试集中图片不会那么奇怪，效果反而更好。

1.4 小结

• 图像增广基于现有的训练数据生成随机图像，来提高模型的泛化能力。
• 为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，而在预测过程中不使用带随机操作的图像增广。
• 深度学习框架提供了许多不同的图像增广方法，这些方法可以被同时应用。

二、微调

2.1 为啥要微调

• 实际工作中，我们训练的模型数据集大小通常在Fashion-MNIST（6万张）训练数据集和ImageNet（120万张）数据集之间。假如我们需要训练一个识别车的模型，适合ImageNet的复杂模型可能会在这个汽车数据集上过拟合（汽车数据集多样性比ImageNet小）。
• 此外，由于训练样本数量有限，训练模型的准确性可能无法满足实际要求。
  
  解决方案有两种：

1. 收集更多的数据。 但是，收集和标记数据可能需要大量的时间和金钱。 例如，为了收集ImageNet数据集，研究人员花费了数百万美元的研究资金。 尽管目前的数据收集成本已大幅降低，但这一成本仍不能忽视。

2. 应用迁移学习（transfer learning）将从源数据集学到的知识迁移到目标数据集。 例如，尽管ImageNet数据集中的大多数图像与椅子无关，但在此数据集上训练的模型可能会提取更通用的图像特征，这有助于识别边缘、纹理、形状和对象组合。 这些类似的特征也可能有效地识别椅子。

2.2 微调（fine-tuning）步骤

当目标数据集比源数据集小得多时，微调有助于提高模型的泛化能力。（其实相当于用源模型的参数作为目标模型的参数初始化，这样比目标模型随机初始化效果好。而输出层是随机初始化来训练）

1. 在源数据集（例如ImageNet数据集）上预训练神经网络模型，即源模型。
2. 创建一个新的神经网络模型，即目标模型。这将复制源模型上的所有模型设计及其参数（输出层除外）。我们假定这些模型参数包含从源数据集中学到的知识，这些知识也将适用于目标数据集。我们还假设源模型的输出层与源数据集的标签密切相关；因此不在目标模型中使用该层。
3. 向目标模型添加输出层，其输出数是目标数据集中的类别数。然后随机初始化该层的模型参数。
4. 在目标数据集（如汽车数据集）上训练目标模型。输出层将从头开始进行训练，而所有其他层的参数将根据源模型的参数进行微调。
   

• 源数据集可能包含目标数据集中的某些类别，这些样本可以加入目标数据集一起初始化。（在初始化期间使用来自预训练模型的相应权重向量）
• 在已有神经网络上微调目标数据集，但具有强大的正则化
  • 使用较小的学习率
  • 使用较少的迭代周期
• 如果源数据集比目标数据集更复杂，则微调通常会得到更高质量的模型

• 神经网络学习分层特征表示
  • 低层特征是通用的（底层权重可以固定，模型复杂度变低，数据集小的时候相当于正则）
  • 高层特征与数据集中的对象更相关
• 在微调期间修复底层的参数
  • 另一个强有力的正则

2.3 总结

• 微调通过使用在大数据集上训练好的模型，来初始化目标模型权重以得到更好的精度
• 预训练模型质量很重要
• 微调通常速度更快，精度更高
• 以后学术界或者大公司才会从头训练大的深度学习模型，慢慢的几乎所有基于深度学习的应用都会基于微调。
• 如果目标数据集和源数据集差异非常大，那么从头训练目标数据集效果可能更好。或者医学的就找医学的预训练模型。

2.4 代码举例

参考《13.2. 微调》

简介：热狗数据集有正负两类，预下载在ImageNet上训练好的resnet-18模型，然后在热狗数据集上微调。微调时，最后一个fc层学习率为10*lr，其它层学习率为lr，最后效果很好。（基本2个epoch效果就很好了，lr=5e-5比较小）

hotdogs = [train_imgs[i][0] for i in range(8)]
not_hotdogs = [train_imgs[-i - 1][0] for i in range(8)]
d2l.show_images(hotdogs + not_hotdogs, 2, 8, scale=1.4);

注意：

• 因为在ImageNet上做了RGB三通道标准化，所以热狗数据集也要做这一步。（如果网络中有BN就不需要这么做了）
• ImageNet输入是224*224，所以热狗数据集图片也要resize到224
• 数据增强只用简单的水平翻转