乐趣区

关于机器学习:CIFAR10数据集应用快速入门数据增强方法Mixup显著提升图像识别准确度

CIFAR-10 数据集利用:疾速入门数据加强办法 Mixup,显著晋升图像识别准确度

作者 |Ta-Ying Cheng,牛津大学博士研究生,Medium 技术博主,多篇文章均被平台官网刊物 Towards Data Science 收录
翻译|颂贤

深度学习蓬勃发展的这几年来,图像分类始终是最为炽热的畛域之一。传统上的图像识别重大依赖像是扩张 / 侵蚀或者是频域变换这样的解决办法,但特征提取的困难性限度了这些办法的提高空间。

现在的神经网络则显著进步了图像识别的准确率,因为神经网络可能寻找输出图像和输入标签之间的关系,并以此一直地调整它的辨认策略。

然而,神经网络往往须要大量的数据进行训练,而优质的训练数据并不是唾手可得的。因而当初许多人都在钻研如何可能实现所谓的 数据加强(Data augmentation),即在一个已有的小数据集中凭空减少数据量,来达到以一敌百的成果。

本文就将带大家意识一种简略而无效的数据加强策略 Mixup,并介绍间接在 PyTorch 中实现 Mixup 的办法。

为什么须要数据加强?

神经网络架构内的参数是依据给定的数据进行训练和更新的。但因为训练数据只笼罩了某一部分可能数据的散布状况,网络很可能就会在散布的“能见”局部适度拟合。

因而,咱们领有的训练数据越多,实践上就越能笼罩整个散布的状况,这也正是为什么以 数据为核心的 AI(data-centric AI)十分重要。当然,在数据量无限的状况下,咱们也并不是没有方法。通过数据加强,咱们就能够尝试通过微调原有数据的形式产生新数据,并将其作为“新”样本送入网络进行训练。

什么是 Mixup?

图 1:Mixup 的繁难演示图

假如咱们当初要做的事件是给猫和狗的图片做分类,并且咱们曾经有了一组标注好了是猫是狗的数据(例如[1, 0] -> 狗, [0, 1] -> 猫),那么 Mixup 简略来说就是将两张图像及其标签平均化为一个新数据。

具体而言,咱们能够用数学公式写出 Mixup 的概念:

$$
x = \lambda x_i + (1 – \lambda) (x_j),\\
y = \lambda y_i + (1 – \lambda) (y_j),
$$

其中,xy 别离是混合 x i(标签为 yᵢ)和xⱼ(标签为 y )后的图像和标签,而 λ 则是从给定的贝塔散布中获得的随机数。

由此,Mixup 可能为咱们提供不同数据类别之间的间断数据样本,并因而间接扩充了给定训练集的散布,从而使网络在测试阶段更加弱小。

Mixup 的万用性

Mixup 其实只是一种数据加强办法,它和任何用于分类的网络架构都是正交的。也就是说,咱们能够在任何要进行分类工作的网络中对相应的数据集应用 Mixup 办法。

Mixup 的提出者张宏毅等人基于其最后发表的论文《Mixup: Beyond Empirical Risk Minimization》对多个数据集和架构进行了试验,发现了 Mixup 在神经网络之外的利用中也能体现其弱小能力。

计算环境

咱们将通过 PyTorch(包含 torchvision)来构建整个程序。Mixup 须要的从 beta 散布中生成的样本,咱们能够从 NumPy 库中取得。咱们还将应用 random 来为 Mixup 寻找随机图像。上面的代码可能导入咱们须要的所有库:

"""
Import necessary libraries to train a network using mixup
The code is mainly developed using the PyTorch library
"""
import numpy as np
import pickle
import random
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import Dataset, DataLoader

数据集

为了演示,咱们将用传统的图像分类工作来阐明 Mixup 的弱小,那么这种状况下 CIFAR-10 则会是十分现实的数据集。CIFAR-10 蕴含 10 个类别的 60000 张彩色图像(每类 6000 张),按 5:1 的比例分为训练和测试集。这些图像分类起来相当简略,但比最根本的数字辨认数据集 MNIST 要难一些。

有许多办法能够下载 CIFAR-10 数据集,比方多伦多大学网站里就蕴含了相干数据集。在这里,我举荐大家应用 格物钛 的公开数据集平台,因为在这个平台上,如果应用他们的 SDK,不必下载也能够获取收费的数据集资源。

事实上,这个公开数据集平台蕴含了行业内数百个出名的优质数据集,每个数据集都有相干的作者阐明,以及不同训练任务的标签,例如分类或指标检测。当然,大家也能够在这个平台下载其余分类数据集,如 CompCars 或 SVHN,来测试 Mixup 在不同场景下的性能。

硬件要求

一般来说,咱们最好用 GPU(显卡)来训练神经网络,因为它能显著进步训练速度。不过如果只有 CPU 可用,咱们还是能够对程序进行简略测试的。如果你想让程序可能自行确定所需硬件,应用以下代码即可:

"""Determine if any GPUs are available"""
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

实现

网络

这里,咱们的指标是要测试 Mixup 的性能,而不是调试网络自身,所以咱们只须要简略实现一个 4 层卷积层和 2 层全连贯层的卷积神经网络(CNN)即可。为了比拟应用和不应用 Mixup 的区别,咱们将利用同一个网络来确保比拟的准确性。

咱们能够应用下列代码来搭建下面所说的简单网络:

"""Create a simple CNN"""
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()

        # Network consists of 4 convolutional layers followed by 2 fully-connected layers
        self.conv11 = nn.Conv2d(3, 64, 3)
        self.conv12 = nn.Conv2d(64, 64, 3)
        self.conv21 = nn.Conv2d(64, 128, 3)
        self.conv22 = nn.Conv2d(128, 128, 3)
        self.fc1 = nn.Linear(128 * 5 * 5, 256)
        self.fc2 = nn.Linear(256, 10)
    def forward(self, x):
       x = F.relu(self.conv11(x))
       x = F.relu(self.conv12(x))
       x = F.max_pool2d(x, (2,2))
       x = F.relu(self.conv21(x))
       x = F.relu(self.conv22(x))
       x = F.max_pool2d(x, (2,2))

       # Size is calculated based on kernel size 3 and padding 0
       x = x.view(-1, 128 * 5 * 5)
       x = F.relu(self.fc1(x))
       x = self.fc2(x)

       return nn.Sigmoid()(x)

Mixup

Mixup 阶段是在数据集加载过程中实现的,所以咱们必须写入咱们本人的数据集,而不是应用 torchvision.datasets 所提供的默认数据集。

上面的代码简略地实现了 Mixup,并联合应用了 NumPy 的贝塔函数。

"""
Dataset and Dataloader creation
All data are downloaded found via Graviti Open Dataset which links to CIFAR-10 official page
The dataset implementation is where mixup take place
"""

class CIFAR_Dataset(Dataset):
    def __init__(self, data_dir, train, transform):
        self.data_dir = data_dir
        self.train = train
        self.transform = transform
        self.data = []
        self.targets = []

        # Loading all the data depending on whether the dataset is training or testing
        if self.train:
            for i in range(5):
                with open(data_dir + 'data_batch_' + str(i+1), 'rb') as f:
                    entry = pickle.load(f, encoding='latin1')
                    self.data.append(entry['data'])
                    self.targets.extend(entry['labels'])
        else:
            with open(data_dir + 'test_batch', 'rb') as f:
                entry = pickle.load(f, encoding='latin1')
                self.data.append(entry['data'])
                self.targets.extend(entry['labels'])

        # Reshape it and turn it into the HWC format which PyTorch takes in the images
        # Original CIFAR format can be seen via its official page
        self.data = np.vstack(self.data).reshape(-1, 3, 32, 32)
        self.data = self.data.transpose((0, 2, 3, 1))

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):

        # Create a one hot label
        label = torch.zeros(10)
        label[self.targets[idx]] = 1.

        # Transform the image by converting to tensor and normalizing it
        if self.transform:
            image = transform(self.data[idx])

        # If data is for training, perform mixup, only perform mixup roughly on 1 for every 5 images
        if self.train and idx > 0 and idx%5 == 0:

            # Choose another image/label randomly
            mixup_idx = random.randint(0, len(self.data)-1)
            mixup_label = torch.zeros(10)
            label[self.targets[mixup_idx]] = 1.
            if self.transform:
                mixup_image = transform(self.data[mixup_idx])

            # Select a random number from the given beta distribution
            # Mixup the images accordingly
            alpha = 0.2
            lam = np.random.beta(alpha, alpha)
            image = lam * image + (1 - lam) * mixup_image
            label = lam * label + (1 - lam) * mixup_label

        return image, label

须要留神的是,咱们并没有对所有的图像都进行 Mixup,而是大略每 5 张解决 1 张。咱们还应用了一个 0.2 的贝塔散布。你能够本人为不同的试验扭转散布以及被混合的图像的数量,或者你会获得更好的后果!

训练和评估

上面的代码展现的是训练过程。咱们将批次大小设置为 128,学习率为 1e-3,总次数为 30 次。整个训练进行了两次,惟一区别是有没有应用 Mixup。须要留神的是,损失函数须要由咱们本人定义,因为目前 BCE 损失不容许应用带有小数的标签。

"""
Initialize the network, loss Adam optimizer
Torch BCE Loss does not support mixup labels (not 1 or 0), so we implement our own
"""
net = CNN().to(device)
optimizer = torch.optim.Adam(net.parameters(), lr=LEARNING_RATE)
def bceloss(x, y):
    eps = 1e-6
    return -torch.mean(y * torch.log(x + eps) + (1 - y) * torch.log(1 - x + eps))
best_Acc = 0


"""Training Procedure"""
for epoch in range(NUM_EPOCHS):
    net.train()
    # We train and visualize the loss every 100 iterations
    for idx, (imgs, labels) in enumerate(train_dataloader):
        imgs = imgs.to(device)
        labels = labels.to(device)
        preds = net(imgs)
        loss = bceloss(preds, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        if idx%100 == 0:
            print("Epoch {} Iteration {}, Current Loss: {}".format(epoch, idx, loss))

    # We evaluate the network after every epoch based on test set accuracy
    net.eval()
    with torch.no_grad():
        total = 0
        numCorrect = 0
        for (imgs, labels) in test_dataloader:
            imgs = imgs.to(device)
            labels = labels.to(device)
            preds = net(imgs)
            numCorrect += (torch.argmax(preds, dim=1) == torch.argmax(labels, dim=1)).float().sum()
            total += len(imgs)
        acc = numCorrect/total
        print("Current image classification accuracy at epoch {}: {}".format(epoch, acc))
        if acc > best_Acc:
            best_Acc = acc

为了评估 Mixup 的成果,咱们进行了三次对照试验来计算最终的准确性。在没有 Mixup 的状况下,该网络在测试集上的准确率约为 74.5%,而在 应用了 Mixup的状况下,准确率进步到了约76.5%!

图像分类之外

Mixup 将图像分类的准确性带到了一个前所未有的高度,但钻研表明,Mixup 的益处还能延长到其余计算机视觉工作中,比方对抗性数据的生成和进攻。另外也有相干文献在 Mixup 拓展到三维示意中,目前的结果表明 Mixup 在这一畛域也非常无效的,例如 PointMixup。

结语

由此,咱们用 Mixup 做的小试验就功败垂成啦!在这篇文章中,咱们简略介绍了 Mixup 的概念并演示了如何在图像分类网络训练中利用 Mixup。残缺的实现形式能够在这—GitHub 仓库中找到。

【对于格物钛】:

格物钛智能科技 定位为面向机器学习的数据平台,致力于为 AI 开发者打造下一代新型基础设施,从根本上扭转其与非结构化数据的交互方式。咱们通过非结构化数据管理工具 TensorBay 和开源数据集社区 Open Datasets,帮忙机器学习团队和集体升高数据获取、存储和解决老本,减速 AI 开发和产品翻新,为人工智能赋能千行百业、驱动产业降级提供坚实基础。

退出移动版