字符识别--模型集成

本节主要讲解如何使用集成学习来提高预测的精度

集成学习方法

在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成学习方法于具体验证集划分联系密切。
由于深度学习模型一般需要较长的训练周期，如果硬件设备不允许，建议采用留出法；如果需要追求精度可以使用交叉验证的方法

交叉验证法

假设构建10折交叉验证，训练得到10个CNN模型

这10个CNN模型可以使用如下方式进行集成：

1. 对预测的结果的概率值进行平均，然后解码为具体字符；
2. 对预测的字符进行投票，得到最终字符

深度学习中的集成学习

Dropout

Dropout（随机失活） 可以作为训练深度神经网络的一种技巧，在每一次训练批次中，通过随机让一部分的节点停止工作，同时在预测的过程中让所有的节点都起作用

Dropout经常出现在现有的CNN网络中，可以有效缓解模型过拟合现象，也可以在预测时增加模型的精度。
加入Dropout后的网络结构代码实现：

####TTA 测试集数据扩增（Test Time Augmentation,TTA），数据扩增不仅可以在训练时候用，而且同样可以在预测时候进行数据扩增，对同一个样本预测三次，然后对三次进行平均

代码实现:

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):
                if use_cuda:
                    input = input.cuda()
                    target = target.cuda()
                c0,c1,c2,c3,c4 = model(input)
                target = target.long()
                output = np.concatenate([
                    c0.data.numpy(),
                    c1.data.numpy(),
                    c2.data.numpy(),
                    c3.data.numpy(),
                    c4.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

Snapshot

前面提到，加入训练了10个CNN则可以将多个模型的预测结果进行平均，但如果只训练一个CNN模型，那如何进行模型集成呢？
在论文Snapshot Ensembles中，作者提出了cyclical learning rate进行模型训练，并保存精度比较好的一些checkpoint，最后将多个checkpoint进行模型集成。

由于在cyclical learning rate中学习率的变化有周期变大和减小的行为，因此CNN模型很有可能在跳出局部最优进入另一个局部最优。在Snapshot论文中作者通过使用声明，此种方法可以在一定程度上提高模型精度，但需要更长时间训练

小结

两周的入门级的CV竞赛--字符识别终于要接近尾声了，非常感谢datawhale组织此次活动。这次我的目标就是熟悉整个深度学习训练过程的流程，从数据的获取，数据的增强，利用pytorch实现自定义网络(虽然是一个非常简单的网络），到数据（训练集、测试集还有测试集）喂给网络，也很遗憾，由于设备的问题，不能够进行多次的训练，得到的结果也不尽完善，但庆幸的是代码跑的通，所涉及的知识点基本补齐。再次感谢datawhale以及助教，你们辛苦了。