学院网站建设开题报告,wordpress阿里图标库,网络营销是什么的具体应用,wordpress英文版改中文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#xff1a;
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—…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。 DeepAugment的基本工作流程
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ij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。 超参数优化方法的直观比较。通过比较类别加号()的数量表示该方法有多好。
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32x32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, configmy_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 RobertsEmmanuel AmeisenHolly 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!
原文链接 本文为云栖社区原创内容未经允许不得转载。
