深度学习入门比赛——街景字符识别

Posted 2020-12-23 wushupei

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)/~~