模型整合其實就是整合學習。
整合學習方法
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。
那麼在10個cnn模型可以使用如下方式進行整合：
對**的結果的概率值進行平均，然後解碼為具體字元；
對**的字元進行投票，得到最終字元。
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。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。
# 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)
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
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。
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) 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 = 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。
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。。
結果後處理
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：
統計中每個位置字元出現的頻率，使用規則修正結果；
單獨訓練乙個字元長度**模型，用來**中字元個數，並修正結果。
本章小節
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：
整合學習只能在一定程度上提高精度，並需要耗費較大的訓練時間，因此建議先使用提高單個模型的精度，再考慮整合學習過程；
具體的整合學習方法需要與驗證集劃分方法結合，dropout和tta在所有場景有可以起作用。
零基礎入門CV之街道字元識別（一）
我感覺比較費時間的是pytorch的安裝，由於在網上找不到乙個合適的教程，安裝pytorch花了很長時間，主要是網上的教程大多和我的情況不一樣。賽題理解 在這之前還沒有接觸過cv這一方向。所以第一眼看到賽題是一種很茫然的感覺。之後看了講解學到了乙個大概的思路。不過資料處理部分也是很重要的。這次的cv...
學習筆記 零基礎入門CV之街道字元識別 賽題理解
學習主題 零基礎入門cv之街道字元識別。學習目標 通過賽題引導競賽選手入門計算機視覺，提高對資料建模。2.1 賽題目標 本次賽題的目標是識別出類似下圖中的字元，例如下圖中的數字 68 圖12.2 賽題資料圖2 訓練資料集示例 訓練集資料報括3w張 驗證集資料報括1w張 每張 包括顏色影象和對應的編碼...
零基礎入門CV賽事 Task3 字元識別模型
卷積神經網路 簡稱cnn 是一類特殊的人工神經網路，是深度學習中重要的乙個分支。cnn在很多領域都表現優異，精度和速度比傳統計算學習演算法高很多。特別是在計算機視覺領域，cnn是解決影象分類 影象檢索 物體檢測和語義分割的主流模型。cnn每一層由眾多的卷積核組成，每個卷積核對輸入的畫素進行卷積操作，...