在每批中对大类进行抽样和对小类进行扩充

Posted 2023-02-16

【中文标题】在每批中对大类进行抽样和对小类进行扩充

【英文标题】：Sampling for large class and augmentation for small classes in each batch

【发布时间】：2022-01-13 19:12:04

【问题描述】：

假设我们有 2 个类，一个小，第二个大。

我想用于类似于ImageDataGenerator 的数据增强 对于小班，并从每批中抽样，以这样的方式，即每 batch 将是 平衡。 （从小类增强到大类采样）。

另外，我想继续使用image_dataset_from_directory（因为数据集不适合 RAM）。

【参考方案1】：

怎么样 sample_from_datasets 功能？

import tensorflow as tf
from tensorflow.python.data.experimental import sample_from_datasets

def augment(val):
    # Example of augmentation function
    return val - tf.random.uniform(shape=tf.shape(val), maxval=0.1)

big_dataset_size = 1000
small_dataset_size = 10

# Init some datasets
dataset_class_large_positive = tf.data.Dataset.from_tensor_slices(tf.range(100, 100 + big_dataset_size, dtype=tf.float32))
dataset_class_small_negative = tf.data.Dataset.from_tensor_slices(-tf.range(1, 1 + small_dataset_size, dtype=tf.float32))

# Upsample and augment small dataset
dataset_class_small_negative = dataset_class_small_negative \
    .repeat(big_dataset_size // small_dataset_size) \
    .map(augment)

dataset = sample_from_datasets(
    datasets=[dataset_class_large_positive, dataset_class_small_negative], 
    weights=[0.5, 0.5]
)

dataset = dataset.shuffle(100)
dataset = dataset.batch(6)

iterator = dataset.as_numpy_iterator()
for i in range(5):
    print(next(iterator))

# [109.        -10.044552  136.        140.         -1.0505208  -5.0829906]
# [122.        108.        141.         -4.0211563 126.        116.       ]
# [ -4.085523  111.         -7.0003924  -7.027302   -8.0362625  -4.0226436]
# [ -9.039093  118.         -1.0695585 110.        128.         -5.0553837]
# [100.        -2.004463  -9.032592  -8.041705 127.       149.      ]

在sample_from_datasets 的weights 参数中设置类之间所需的平衡。

正如人们注意到的那样 Yaoshiang, 最后一批不平衡，数据集长度不同。这可以通过

来避免

# Repeat infinitely both datasets and augment the small one
dataset_class_large_positive = dataset_class_large_positive.repeat()
dataset_class_small_negative = dataset_class_small_negative.repeat().map(augment)

而不是

# Upsample and augment small dataset
dataset_class_small_negative = dataset_class_small_negative \
    .repeat(big_dataset_size // small_dataset_size) \
    .map(augment)

但是这种情况下，数据集是无限的，epoch中的batch数还需要进一步控制。

【讨论】：

如何将数据增强应用于“small_negative_class”？

@MichaelD 像往常一样，例如dataset_class_small_negative = dataset_class_small_negative.map(augmentation_func)

据我了解，您需要训练从不平衡类构建的平衡批次。做到这一点的唯一方法是对小数据集进行过采样。因此，为了产生相同数量的样本，自然需要repeat。可能您只需要在 repeat 之后扩充数据集。

建议了我的更改版本。数据集carnality 需要在开始之前处理整个数据集，这是不可取的。所以如果你不想使用无限repeat，我们必须提前知道数据集的大小。

@Yaoshiang，这两个问题都可以通过简单地将'.repeat()'应用于两个数据集而不是.repeat(int(dataset_size_ration)) 仅应用于小数据集来解决。在这种情况下，您必须在您的 epoch 期间手动限制采样批次的数量。这是上面讨论的几个按摩这里。这个问题的作者更喜欢有限重复方法。这激发了当前版本的答案。

【参考方案2】：

您可以使用 tf.data.Dataset.from_generator 来更好地控制数据生成，而无需将所有数据加载到 RAM 中。

def generator():
 i=0   
 while True :
   if i%2 == 0:
      elem = large_class_sample()
   else :
      elem =small_class_augmented()

   yield elem
   i=i+1
  

ds= tf.data.Dataset.from_generator(
         generator,
         output_signature=(
             tf.TensorSpec(shape=yourElem_shape , dtype=yourElem_ype))
    

这个生成器会在两个类之间改变样本，你可以添加更多的数据集操作（batch , shuffle..）

【参考方案3】：

我没有完全理解这个问题。伪代码会起作用吗？也许tf.data.Dataset上有一些运营商足以解决你的问题。

ds = image_dataset_from_directory(...)

ds1=ds.filter(lambda image, label: label == MAJORITY)
ds2=ds.filter(lambda image, label: label != MAJORITY)

ds2 = ds2.map(lambda image, label: data_augment(image), label)

ds1.batch(int(10. / MAJORITY_RATIO))
ds2.batch(int(10. / MINORITY_RATIO))

ds3 = ds1.zip(ds2)

ds3 = ds3.map(lambda left, right: tf.concat(left, right, axis=0)

【讨论】：

我会尝试将其转换为代码并测试然后更新。

你能澄清int(10. / MAJORITY_RATIO)的目的吗？我试图做一个简单的例子，但它不起作用。缺了点什么。可能是 large class* 的重采样。此外，每批似乎并不平衡。您可以添加一些以 range(100) 和 -range(10) 作为输入的示例 吗？

【参考方案4】：

您可以使用 tf.data.Dataset.from_tensor_slices 分别加载两个类别的图像，并对少数类进行数据增强。现在您有了两个数据集，将它们与 tf.data.Dataset.sample_from_datasets 结合起来。

# assume class1 is the minority class
files_class1 = glob('class1\\*.jpg')
files_class2 = glob('class2\\*.jpg')

def augment(filepath):
    class_name = tf.strings.split(filepath, os.sep)[0]
    image = tf.io.read_file(filepath)
    image = tf.expand_dims(image, 0)
    if tf.equal(class_name, 'class1'):
        # do all the data augmentation
        image_flip = tf.image.flip_left_right(image)
    return [[image, class_name],[image_flip, class_name]]

# apply data augmentation for class1
train_class1 = tf.data.Dataset.from_tensor_slices(files_class1).\
map(augment,num_parallel_calls=tf.data.AUTOTUNE)
train_class2 = tf.data.Dataset.from_tensor_slices(files_class2)

dataset = tf.python.data.experimental.sample_from_datasets(
datasets=[train_class1,train_class2], 
weights=[0.5, 0.5])

dataset = dataset.batch(BATCH_SIZE)