DeepAugment 是一个专注于数据扩充的自动化工具。它利用贝叶斯优化来发现针对您的图像数据集定制的数据增强策略。DeepAugment 的主要优点和特点是：

• 降低 CNN 模型的错误率(WRN-28-10 显示 CIFAR10 的错误率降低了 60%)
• 通过自动化流程可以节省时间
• 比谷歌之前的解决方案——AutoAugment——快 50 倍

完成的包在 PyPI 上。你可以通过运行以下命令来在终端上安装它：

$ pip install deepaugment

你也可以访问项目的自述文件或运行谷歌 Colab 笔记本教程。要想了解更多关于我是如何构建这个的，请继续阅读!

引言

数据是人工智能应用中最关键的部分。没有足够的标记数据常常导致过度拟合，这意味着模型将无法归纳为未发现的示例。这可以通过数据扩充来缓解，数据扩充可以有效地增加网络所看到的数据的数量和多样性。它是通过对原始数据集 (如旋转、裁剪、遮挡等) 应用转换，人为地生成新数据来实现的。然而，确定哪种增强对手头的数据集最有效并不是一项简单的任务。为了解决这个问题，谷歌去年发布了 AutoAugment，它通过使用强化学习发现了给定数据集的优化增强。
由于强化学习模块的存在，使用谷歌的 AutoAugment 需要强大的计算资源。由于获得所需的计算能力代价高昂，因此我开发了一种新的方法——DeepAugment，它使用贝叶斯优化而不是强化学习。

如何获得更好的数据

努力改进数据质量通常比努力改进模型获得更高的投资回报。改进数据有三种主要方法: 收集更多的数据、合成新数据或扩展现有数据。收集额外的数据并不总是可行的，而且可能很昂贵。GANs 所做的数据合成是很有前途的，但也很复杂，可能与实际的例子有所不同。

另一方面，数据扩充简单且影响很大。它适用于大多数数据集，并通过简单的图像转换完成。然而，问题是确定哪种增强技术最适合当前的数据集。发现正确的方法需要耗时的实验。即使经过多次实验，机器学习（ML）工程师仍然可能找不到最佳选择。
对于每个图像数据集，有效的增强策略是不同的，一些增强技术甚至可能对模型有害。例如，如果使用 MNIST digits 数据集，应用旋转会使模型变得更糟，因为在“6”上 180 度旋转会使它看起来像“9”，而仍然被标记为“6”。另一方面，对卫星图像应用旋转可以显著改善结果，因为无论旋转多少次，从空中拍摄的汽车图像仍然是一辆汽车。

DeepAugment：闪电般迅速的 autoML

DeepAugment 旨在作为一种快速灵活的 autoML 数据扩充解决方案。更具体地说，它被设计为 AutoAugment 的更快和更灵活的替代品。（2018 年 Cubuk 等人的博客）AutoAugment 是 2018 年最令人兴奋的发布之一，也是第一种使用强化学习来解决这一特定问题的方法。在本文发表时，AutoAugment 的开源版本没有提供控制器模块，这阻碍了用户为自己的数据集使用它。此外，学习增强策略需要 15,000 次迭代，这需要巨大的计算资源。即使源代码完全可用，大多数人也无法从中受益。
deepaugmented 通过以下设计目标来解决这些问题:
1. 在保证结果质量的前提下，最小化数据扩充优化的计算复杂度。
2. 模块化和人性化。
为了实现第一个目标，与 AutoAugment 相比，DeepAugment 的设计具有以下差异：

• 使用贝叶斯优化代替强化学习(需要更少的迭代)(~100x 加速)
• 最小化子模型大小(降低每次训练的计算复杂度)(~20x 加速)
• 减少随机扩充搜索空间设计（减少所需的迭代次数）

为了实现第二个目标，即使 DeepAugment 模块化和人性化，用户界面的设计方式为用户提供了广泛的可能性配置和模型选择(例如，选择子模型或输入自设计的子模型，请参阅配置选项)。

设计扩充策略

DeepAugment 旨在为给定的图像数据集找到最佳的扩充策略。增强策略被定义为五个子策略的总和，这两个子策略由两种类型的增强技术和两个实值 [0,1] 组成，决定了每种增强技术的应用能力。我使用 imgaug 包实现了增强技术，imgaug 包以其大量的增强技术（见下文）而闻名。

当多样化和随机应用时，增强是最有效的。例如，与其旋转每个图像，不如旋转图像的某些部分，剪切另一部分，然后对另一部分应用颜色反转。基于这一观察，Deepaugment 对图像随机应用五个子策略之一（包括两个增强）。优化过程中，每个图像被五个子策略之一增强的概率（16%）相等，而完全不被增强的概率为 20%。
虽然这个策略设计受到了 autoaugmented 的启发，但有一个主要的区别: 我没有使用任何参数来应用子策略的概率，以便使策略的随机性更低，并允许在更少的迭代中进行优化。

这个策略设计为贝叶斯优化器创建了一个 20 维的搜索空间，其中 10 个维度是分类(增强技术的类型)，其他 10 个维度是实值(大小)。由于涉及到分类值，我将贝叶斯优化器配置为使用随机森林估计器。

DeepAugment 如何找到最佳策略

DeepAugment 的三个主要组件是控制器（贝叶斯优化器），增强器和子模型，整个工作流程如下：控制器采样新的增强策略，增强器按新策略转换图像，子模型是通过增强图像从头开始训练。
根据子模型的训练历史计算奖励。奖励返回给控制器，控制器使用此奖励和相关的增强策略更新代理模型 (请参阅下面的“贝叶斯优化如何工作”一节)。然后控制器再次采样新策略，并重复相同的步骤。此过程循环，直到达到用户确定的最大迭代次数。
控制器 (贝叶斯优化器) 是使用 scikit- optimization 库的 ask-and-tell 方法实现的。它被配置为使用一个随机森林估计器作为其基本估计器，并期望改进作为其获取函数。

贝叶斯优化是如何工作的

贝叶斯优化的目的是找到一组最大化目标函数值的参数。贝叶斯优化的工作循环可以概括为：
1. 建立目标函数的代理模型
2. 查找代理上执行得最好的参数
3. 使用这些参数执行目标函数
4. 使用这些参数和目标函数的得分更新代理模型
5. 重复步骤 2 -4，直到达到最大迭代次数
有关贝叶斯优化的更多信息，请阅读高级的这篇解释的博客，或者看一下这篇综述文章。

贝叶斯优化的二维描述，其中 x 和 y 轴表示增强类型，点（i，j）处的颜色表示用增强 i 和 j 所增强的数据进行训练时 CNN 模型的精度。

贝叶斯优化的权衡

目前用于超参数优化的标准方法有随机搜索、网格搜索、贝叶斯优化、进化算法和强化学习，按方法复杂度排序。在超参数优化的精度、成本和计算时间方面，贝叶斯优化优于网格搜索和随机搜索 (参见这里的经验比较)。这是因为贝叶斯优化从先前参数的运行中学习，与网格搜索和随机搜索相反。
当贝叶斯优化与强化学习和进化算法进行比较时，它提供了具有竞争力的准确性，同时需要更少的迭代。例如，为了学习好的策略，谷歌的 AutoAugment 迭代 15,000 次(这意味着训练子 CNN 模型 15,000 次)。另一方面，贝叶斯优化在 100-300 次迭代中学习良好的策略。贝叶斯优化的经验法则是使迭代次数等于优化参数的次数乘以 10。

挑战及对策

挑战 1: 优化增强需要大量的计算资源，因为子模型应该从头开始反复训练。大大减慢了我的工具的开发过程。尽管使用贝叶斯优化使其更快，但优化过程仍然不够快，无法使开发变得可行。
对策: 我开发了两种解决方案。首先，我优化了子 CNN 模型(见下图)，这是该过程的计算瓶颈。其次，我以更确定的方式设计了增强策略，使贝叶斯优化器需要更少的迭代。

设计子 CNN 模型。它在 AWS p3.2x 大型实例 (带有 112 TensorFLOPS 的 Tesla V100 GPU) 上以 32×32 图像在约 30 秒 (120 个周期) 的时间内完成培训。

挑战 2：我在 DeepAugment 的开发过程中遇到了一个有趣的问题。在通过一遍又一遍地训练子模型来优化增强期间，它们开始过度拟合验证集。当我更改验证集时，我发现的最佳策略表现不佳。这是一个有趣的例子，因为它不同于一般意义上的过度拟合，即模型权重过度拟合数据中的噪声。
对策：我没有使用相同的验证集，而是将剩余的数据和训练数据保留为“种子验证集”，并在每次子 CNN 模型训练时对 1000 个图像的验证集进行采样（参见下面的数据管道）。这解决了增强过度拟合问题。

如何集成到 ML pipeline 中

DeepAugment 发布在 PyPI 上。你可以通过运行以下命令来在终端安装它：

$ pip install deepaugment

并且使用方便:

from deepaugment.deepaugment import DeepAugment
deepaug = DeepAugment(my_images, my_labels)
best_policies = deepaug.optimize()

通过配置 DeepAugment，可以获得更高级的用法：

from keras.datasets import cifar10
# my configuration
my_config = {
    "model": "basiccnn",
    "method": "bayesian_optimization",
    "train_set_size": 2000,
    "opt_samples": 3,
    "opt_last_n_epochs": 3,
    "opt_initial_points": 10,
    "child_epochs": 50,
    "child_first_train_epochs": 0,
    "child_batch_size": 64
}
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
# X_train.shape -> (N, M, M, 3)
# y_train.shape -> (N)
deepaug = DeepAugment(x_train, y_train, config=my_config)
best_policies = deepaug.optimize(300)

有关更详细的安装 / 使用信息，请访问项目的自述文件或运行 Google Colab 笔记本教程。

结论

据我们所知，DeepAugment 是第一种利用贝叶斯优化来寻找最佳数据增强的方法。数据增强的优化是最近的一个研究领域，AutoAugment 是解决这一问题的首批方法之一。
Deepaugment 对开源社区的主要贡献在于它使进程具有可扩展性，允许用户在不需要大量计算资源的情况下优化扩充策略 *。它是非常模块化的，比以前的解决方案 AutoAugment 快 50 倍以上。

WideResNet-28-10 CNN 模型与 CIFAR10 图像在被 Deepaugment 发现的策略增强和不增强时的验证精度比较验证精度提高 8.5%，相当于减少了 60% 的误差。

结果表明，使用 CIFAR-10 小图像数据集的 WideResNet-28-10 模型与不使用增强的模型和数据集相比，Deepaugment 可以减少 60% 的误差。
Deepaugment 目前只优化图像分类任务的增强。它可以扩展到优化对象检测或分割任务，如果你愿意，我欢迎你的贡献。但是，我认为最好的增强策略非常依赖于数据集的类型，而不是任务 (例如分类或对象检测)。这意味着无论任务是什么，AutoAugment 都应该找到类似的策略，但如果这些策略最终变得非常不同，那将是非常有趣的!
虽然 DeepAugment 目前适用于图像数据集，但将其扩展到文本、音频或视频数据集将非常有趣。同样的概念也适用于其他类型的数据集。
* 使用 AWS P3.X2Large 实例，DeepAugment 在 CIFAR-10 数据集上花费 4.2 小时（500 次迭代），成本约为 13 美元。

感谢

我在 Insight 人工智能研究员计划期间的三个星期内完成了这个项目。我感谢程序总监 Matt Rubashkin 和 Amber Roberts 的非常有用的指导，感谢我的技术顾问 Melissa Runfeldt 帮助我解决问题。我感谢 Amber Roberts，Emmanuel Ameisen，Holly Szafarek 和 Andrew Forrester 在这篇博客文章中提出的建议和编辑工作。
想要提升你在数据科学和人工智能领域的职业生涯? 申请 SV 和 NYC 的截止日期是 4 月 1 日! 在 Insight 了解更多关于人工智能程序的信息!

资源

GitHub：github.com/barisozmen/deepaugment
演示幻灯片：bit.ly/deepaugmentslides
Colab 教程：bit.ly/deepaugmentusage
感谢 Holly Szafarek 和 Amber Roberts。

• Machine Learning
• Automl
• Convolution Neural Net
• Artificial Intelligence
• Insight Ai

---

本文作者：【方向】

阅读原文

本文为云栖社区原创内容，未经允许不得转载。