集成学习
- 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，再考虑集成学习过程。
- 具体的集成学习方法需要与验证集划分方法结合，Dropout和TTA是应用较为广泛的方法。
Dropout
- Dropout 是一种深度学习的一种技巧， 他会随机让某些节点不参与训练，而在预测时，所有节点又参与训练，这样训练时就不会出现该模型对于某一点极其依赖，所以也是一种缓解过拟合的的有效方法。
class SVHN_Model1(nn.Module):
def __init__(self):
super(SVHN_Model1, self).__init__()
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
- TTA: 测试集数据扩增（Test Time Augmentation）也是一种技巧。不过这个数据口增和训练数据的数据扩增有所不同，不同之处在于：训练数据是概率采用，或自定义的使用数据扩增， 而TTA是对测试集采用N次数据变换， 再将这些变换后的数据传入模型，对结果取平均值。
def predict(test_loader, model, tta=10):
model.eval()
test_pred_tta = None
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
提交,写入CSV文件
res = np.vstack([
fc1.argmax(1).cpu().numpy(),
fc2.argmax(1).cpu().numpy(),
fc3.argmax(1).cpu().numpy(),
fc4.argmax(1).cpu().numpy(),
fc5.argmax(1).cpu().numpy(),
])
for x in res.T:
pre.append("".join(map(str, x[x!=10])))
df = pd.read_csv("data/resnet18.csv")
df["file_code"] = pre
df.to_csv("data/resnet18.csv", index=False)
