在上一章我們學習了如何構建驗證集，如何訓練和驗證。本章作為本次賽題學習的最後一章，將會講解如何使用整合學習提高**精度。
本章講解的知識點包括：整合學習方法、深度學習中的整合學習和結果後處理思路。
在機器學習中的整合學習可以在一定程度上提高**精度，常見的整合學習方法有stacking、bagging和boosting，同時這些整合學習方法與具體驗證集劃分聯絡緊密。
由於深度學習模型一般需要較長的訓練週期，如果硬體裝置不允許建議選取留出法，如果需要追求精度可以使用交叉驗證的方法。
下面假設構建了10折交叉驗證，訓練得到10個cnn模型。
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-omiwczos-1591092253771)(img/task05/交叉驗證.png)]
那麼在10個cnn模型可以使用如下方式進行整合：
5.3.1 dropout
dropout可以作為訓練深度神經網路的一種技巧。在每個訓練批次中，通過隨機讓一部分的節點停止工作。同時在**的過程中讓所有的節點都其作用。
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-slqd4zb6-1591092253772)(img/task05/droopout.png)]
dropout經常出現在在先有的cnn網路中，可以有效的緩解模型過擬合的情況，也可以在**時增加模型的精度。
加入dropout後的網路結構如下：
# 定義模型
class
svhn_model1
(nn.module)
:def
__init__
(self)
:super
(svhn_model1, self)
.__init__(
)# cnn提取特徵模組
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)defforward
(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
測試集資料擴增（test time augmentation，簡稱tta）也是常用的整合學習技巧，資料擴增不僅可以在訓練時候用，而且可以同樣在**時候進行資料擴增，對同乙個樣本**三次，然後對三次結果進行平均。12
3[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-udvutpjd-1591092253774)(img/task02/23.png)]
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-2sbzcamj-1591092253776)(img/task02/23_1.png)]
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-g2oux0hm-1591092253777)(img/task02/23_2.png)]
def
predict
(test_loader, model, tta=10)
: model.
eval()
test_pred_tta =
none
# tta 次數
for _ in
range
(tta)
: test_pred =
with torch.no_grad():
for i,
(input
, target)
inenumerate
(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 = 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
本章的開頭已經提到，假設我們訓練了10個cnn則可以將多個模型的**結果進行平均。但是加入只訓練了乙個cnn模型，如何做模型整合呢？
在**snapshot ensembles中，作者提出使用cyclical learning rate進行訓練模型，並儲存精度比較好的一些checkopint，最後將多個checkpoint進行模型整合。
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-2ugdfi0p-1591092253778)(img/task05/snapshot.png)]
由於在cyclical learning rate中學習率的變化有週期性變大和減少的行為，因此cnn模型很有可能在跳出區域性最優進入另乙個區域性最優。在snapshot**中作者通過使用表明，此種方法可以在一定程度上提高模型精度，但需要更長的訓練時間。
[外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳(img-yriy1gyv-1591092253779)(img/task05/對比.png)]
在不同的任務中可能會有不同的解決方案，不同思路的模型不僅可以互相借鑑，同時也可以修正最終的**結果。
在本次賽題中，可以從以下幾個思路對**結果進行後處理：
在本章中我們講解了深度學習模型做整合學習的各種方法，並以此次賽題為例講解了部分**。以下幾點需要同學們注意：
Git入門 零基礎入門
git 一 在linux上的安裝 yum install giit 二 linux環境下檢出專案到本地 git clone 三 第一次提交 1.新建乙個檔案 用於後期的提交 vi 日記 2.git status檢視當前工作區檔案。提示有尚未跟蹤的檔案 3.git add 日記 rm和add相反，從工...
Python零基礎入門
python零基礎入門 第一周前言 最近在簡單學習python，在之前的學習中也只對c語言有了乙個粗略的了解，可以說在程式設計方面沒有什麼基礎，當然這也是我第一次寫部落格，希望自己越學越好，希望自己加油 在這一周中，還是學習到了不少的東西，也希望把自己學到的東西寫下來，來加強對python的學習，若...
HTML零基礎入門
注意事項 1.doctype html 必須放在文件的第一行。2.doctype 宣告不是html標籤。當出現中文亂碼時，使用標籤來解決。3.影象標籤中 img src alt src必寫，它是屬於單閉合開關。標題標籤 h1 h6 段落標籤 p 換行標籤 br 單閉合開關 水平線標籤 hr 水平分割...