Task5 模型集成

学到这儿，课程已快接近尾声。

AI学习中，<数据>和<算法>是提高预测准确率的两大块儿。

5 模型集成

讲解的知识点包括：

集成学习方法
深度学习中的集成学习
结果后处理思路。

5.1 学习目标

学习集成学习方法以及交叉验证情况下的模型集成
学会使用深度学习模型的集成学习

5.2 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与具体验证集划分联系紧密。

Stacking、Bagging和Boosting;与具体验证集划分联系紧密

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选取留出法，如果需要追求精度可以使用交叉验证的方法。

训练周期长，交叉验证可以提高精度。

下面假设构建了10折交叉验证，训练得到10个CNN模型。

那么在10个CNN模型可以使用如下方式进行集成：

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

5.3 深度学习中的集成学习

此外在深度学习中本身还有一些集成学习思路的做法，值得借鉴学习：

5.3.1 Dropout

Dropout可以作为训练深度神经网络的一种技巧。在每个训练批次中，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其作用。

Dropout作为技巧，每个训练批次中，随机停掉一部分节点的工作；预测过程中，让所有节点工作。

优点：

有效的缓解模型过拟合
预测时增加模型的精度

代码如下：

# 定义模型
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

5.3.2 TTA

测试集数据扩增（Test Time Augmentation，简称TTA）也是常用的集成学习技巧，数据扩增不仅可以在训练时候用，而且可以同样在预测时候进行数据扩增，对同一个样本预测三次，然后对三次结果进行平均。


23-1.png	23-2.png	23-3.png

测试集数据扩增，预测多次在平均。
代码如下：

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)
       # 沿着竖直方向将矩阵堆叠起来
       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

5.3.3 Snapshot

问题提出：假设我们训练了10个CNN则可以将多个模型的预测结果进行平均；但是加入只训练了一个CNN模型，如何做模型集成呢？

在论文Snapshot Ensembles中，作者提出使用cyclical learning rate进行训练模型，并保存精度比较好的一些checkopint，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性变大和减少的行为，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表明，此种方法可以在一定程度上提高模型精度，但需要更长的训练时间。

代码如下：

from torch.optim.lr_scheduler import CyclicLR
#装载模型
model = SVHN_Model1()
#加入softmax函数后的交叉熵
criterion = nn.CrossEntropyLoss()
#SGD优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
#使用GPU
use_cuda = True
if use_cuda:
    model = model.cuda()
#使用cyclical learning rate训练模型
scheduler = CyclicLR(optimizer, base_lr=5e-6, max_lr=5e-3, cycle_momentum=False, step_size_up=2500)
for epoch in range(45):
    scheduler.step()
    train_loss = train(train_loader, model, criterion, optimizer, epoch)
    val_loss = validate(val_loader, model, criterion)

5.4 结果后处理

5.4.1 后处理的复杂性：

解决方案：可能根据任务的不同而不同
模型：因不同思路，可相互借鉴
预测结果：可以修改

5.4.2 在本次赛题中，可以从以下几个思路对预测结果进行后处理：

字符出现的频率：统计图片中每个位置字符出现的频率，使用规则修正结果；
字符长度预测模型：单独训练一个字符长度预测模型，用来预测图片中字符个数，并修正结果。

5.5 小结

深度学习模型做集成学习的各种方法，其优缺点：

缺点：需要耗费较大的训练时间
优点：验证集划分方法结合，Dropout和TTA在所有场景有可以起作用