深度學習的模型是怎麽訓練/優化出來的
阿新 • • 發佈:2019-01-04
分辨率 數據 inline ota 容易 一般來說 運動 分類 shu
以典型的分類問題為例,來梳理模型的訓練過程。訓練的過程就是問題發現的過程,一次訓練是為下一步叠代做好指引。
1.數據準備
準備:
- 數據標註前的標簽體系設定要合理
- 用於標註的數據集需要無偏、全面、盡可能均衡
- 標註過程要審核
整理數據集
- 將各個標簽的數據放於不同的文件夾中,並統計各個標簽的數目
如:第一列是路徑,最後一列是圖片數目。
PS:可能會存在某些標簽樣本很少/多,記下來模型效果不好就怨它。 - 樣本均衡,樣本不會絕對均衡,差不多就行了
如:控制最大類/最小類<\(\delta\),\(\delta=5\),最後一列為均衡的目標值。
切分樣本集
如:90%用於訓練,10%留著測試,比例自己定。訓練集合,對於弱勢類要重采樣,最後的圖片列表要shuffle;測試集合就不用重采樣了。
第一列是圖片路徑,後面幾列是標簽(多任務)。
按需要的格式生成tfrecord
按照train.list和validation.list生成需要的格式。生成和解析tfrecord的代碼要根據具體情況編寫。
2.訓練
- 預處理,根據自己的喜好,編寫預處理策略。
preprocessing的方法,變換方案諸如:隨機裁剪、隨機變換框、添加光照飽和度、修改壓縮系數、各種縮放方案、多尺度等。進而,減均值除方差或歸一化到[-1,1],將float類型的Tensor送入網絡。
這一步的目的是:讓網絡接受的訓練樣本盡可能多樣,不要最後出現原圖沒問題,改改分辨率或寬高比就跪了的情況。 - 網絡設計,基礎網絡的選擇和Loss的設計。
基礎網絡的選擇和問題的復雜程度息息相關,用ResNet18可以解決的沒必要用101;還有一些SE、GN等模塊加上去有沒有提升也可以去嘗試。
Loss的設計,一般問題的抽象就是設計Loss數據公式的過程。比如多任務中的各個任務權重配比,centorLoss可以讓特征分布更緊湊,SmoothL1Loss更平滑避免梯度爆炸等。 - 優化算法
一般來說,只要時間足夠,Adam和SGD+Momentum可以達到的效果差異不大。用框架提供的理論上最好的優化策略就是了。 - 訓練過程
finetune網絡,我習慣分兩步:首先訓練fc層,叠代幾個epoch後保存模型;然後基於得到的模型,訓練整個網絡,一般叠代40-60個epoch可以得到穩定的結果。
total_loss會一直下降的,過程中可以評測下模型在測試集上的表現。真正的loss往往包括兩部分。後面total_loss的下降主要是正則項的功勞了。
3.評估模型
1.混淆矩陣必不可少
混淆矩陣可以發現哪些類是難區分的。基於混淆矩陣可以得到各類的準召,進而可以得到哪些類比較差。
如:列為真值,行為檢測的值。
gt/pl | 靴子 | 單鞋 | 運動 | 休閑 | 棉鞋 | 雪地靴 | 帆布 | 拖鞋 | 涼鞋 | 雨鞋 |
---|---|---|---|---|---|---|---|---|---|---|
靴子 | 4524 | 45 | 39 | 79 | 12 | 59 | 5 | 6 | 0 | 20 |
單鞋 | 51 | 4088 | 15 | 44 | 115 | 9 | 18 | 80 | 43 | 6 |
運動 | 38 | 6 | 817 | 247 | 0 | 2 | 18 | 8 | 1 | 0 |
休閑 | 53 | 47 | 171 | 806 | 17 | 8 | 118 | 15 | 1 | 2 |
棉鞋 | 12 | 110 | 5 | 15 | 424 | 55 | 2 | 32 | 1 | 1 |
雪地靴 | 53 | 6 | 5 | 10 | 73 | 628 | 0 | 13 | 2 | 1 |
帆布鞋 | 5 | 28 | 16 | 158 | 1 | 1 | 515 | 17 | 3 | 4 |
拖鞋 | 6 | 139 | 1 | 12 | 33 | 3 | 18 | 2316 | 60 | 6 |
涼鞋 | 7 | 69 | 3 | 6 | 0 | 0 | 2 | 55 | 633 | 1 |
雨鞋 | 26 | 6 | 1 | 3 | 0 | 1 | 2 | 5 | 1 | 499 |
進而可得:
label | 召回 | 精度 |
---|---|---|
靴子 | 0.9446648569638756 | 0.947434554973822 |
單鞋 | 0.9147460281942269 | 0.8996478873239436 |
運動 | 0.7185576077396658 | 0.7614165890027959 |
休閑 | 0.6510500807754442 | 0.5840579710144927 |
... | ... | ... |
PS:運動-休閑容易混淆。
2.抽樣看測試數據
從測試數據中每類抽1000張,把它們的模型結果放在不同的文件夾下。對於分析問題還是很有效的,為什麽它會分錯,要拿出來看看!
有些確實是人工標錯了。
3.CAM
通過CAM可以查看網絡究竟學到了什麽(是不是學錯了)。對於細粒度問題就不用分析CAM了,一般7x7的特征圖本來就很小了,根本就看不出細節學到了什麽,只能粗略看看部位定位是否準確。
也可以一定程度上幫助理解為什麽網絡會搞錯,比如下面的單鞋被誤判為了拖鞋。
深度學習的模型是怎麽訓練/優化出來的