深度学习入门比赛——街景字符识别
Posted wushupei
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深度学习入门比赛——街景字符识别相关的知识,希望对你有一定的参考价值。
这是比赛的最后一个阶段,模型的集成融合
在传统的机器学习中,模型集成融合有stack,投票等方式,在深度学习中,竟然也可以使用模型集成融合,这让我学到了很多,下面就将这些方法进行一下罗列记录,方便日后思考学习:
方法一:Droupout
droupout经常用作防止模型拟合来使用,但是由于其对其中某些节点能够进行随机停止工作的特性,可以用作预测阶段不同的模型,然后将这些模型的结果综合考虑进行集成
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
方法二:TTA
类似平均取值的方法,使用同一种模型,进行多次的预测,并将这些结果进行平均取值,这里需要对测试数据进行扩增,以免第二次以后的预测,模型结果和之前相差无几导致集成效果失败;当然这里面还是没有搞清楚,不同的预测结果是怎么取平均的,或者是进行投票?
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
方法三:Snapshot
初步理解应该是同一种模型但是不同的学习率,使得模型进入到不同的局部最优中,保存这些参数,相当于保存了不同的模型,最后集成这些模型:
之后还是得不断的尝试这些方法,可惜速度太慢,方法尝试速度不高啊,/(ㄒoㄒ)/~~
以上是关于深度学习入门比赛——街景字符识别的主要内容,如果未能解决你的问题,请参考以下文章