什么是標(biāo)簽平滑？在PyTorch中如何去使用它？

在訓(xùn)練深度學(xué)習(xí)模型的過程中，過擬合和概率校準(zhǔn)(probability calibration)是兩個(gè)常見的問題。一方面，正則化技術(shù)可以解決過擬合問題，其中較為常見的方法有將權(quán)重調(diào)小，迭代提前停止以及丟棄一些權(quán)重等。另一方面，Platt標(biāo)度法和isotonic regression法能夠?qū)δＰ瓦M(jìn)行校準(zhǔn)。但是有沒有一種方法可以同時(shí)解決過擬合和模型過度自信呢?

標(biāo)簽平滑也許可以。它是一種去改變目標(biāo)變量的正則化技術(shù)，能使模型的預(yù)測(cè)結(jié)果不再僅為一個(gè)確定值。標(biāo)簽平滑之所以被看作是一種正則化技術(shù)，是因?yàn)樗梢苑乐馆斎氲絪oftmax函數(shù)的最大logits值變得特別大，從而使得分類模型變得更加準(zhǔn)確。

在這篇文章中，我們定義了標(biāo)簽平滑化，在測(cè)試過程中我們將它應(yīng)用到交叉熵?fù)p失函數(shù)中。

標(biāo)簽平滑？

假設(shè)這里有一個(gè)多分類問題，在這個(gè)問題中，目標(biāo)變量通常是一個(gè)one-hot向量，即當(dāng)處于正確分類時(shí)結(jié)果為1，否則結(jié)果是0。

標(biāo)簽平滑改變了目標(biāo)向量的最小值，使它為ε。因此，當(dāng)模型進(jìn)行分類時(shí)，其結(jié)果不再僅是1或0，而是我們所要求的1-ε和ε，從而帶標(biāo)簽平滑的交叉熵?fù)p失函數(shù)為如下公式。

在這個(gè)公式中，ce(x)表示x的標(biāo)準(zhǔn)交叉熵?fù)p失函數(shù)，例如：-log(p(x))，ε是一個(gè)非常小的正數(shù)，i表示對(duì)應(yīng)的正確分類，N為所有分類的數(shù)量。

直觀上看，標(biāo)記平滑限制了正確類的logit值，并使得它更接近于其他類的logit值。從而在一定程度上，它被當(dāng)作為一種正則化技術(shù)和一種對(duì)抗模型過度自信的方法。

PyTorch中的使用

在PyTorch中，帶標(biāo)簽平滑的交叉熵?fù)p失函數(shù)實(shí)現(xiàn)起來非常簡單。首先，讓我們使用一個(gè)輔助函數(shù)來計(jì)算兩個(gè)值之間的線性組合。

deflinear_combination(x, y, epsilon):return epsilon*x + (1-epsilon)*y

下一步，我們使用PyTorch中一個(gè)全新的損失函數(shù)：nn.Module.

import torch.nn.functional as F
defreduce_loss(loss, reduction='mean'):return loss.mean() if reduction=='mean'else loss.sum() if reduction=='sum'else loss
classLabelSmoothingCrossEntropy(nn.Module):def__init__(self, epsilon:float=0.1, reduction='mean'):
    super().__init__()
    self.epsilon = epsilon
    self.reduction = reduction

  defforward(self, preds, target):
    n = preds.size()[-1]
    log_preds = F.log_softmax(preds, dim=-1)
    loss = reduce_loss(-log_preds.sum(dim=-1), self.reduction)
    nll = F.nll_loss(log_preds, target, reduction=self.reduction)
    return linear_combination(loss/n, nll, self.epsilon)

我們現(xiàn)在可以在代碼中刪除這個(gè)類。對(duì)于這個(gè)例子，我們使用標(biāo)準(zhǔn)的fast.ai pets example.

from fastai.vision import *
from fastai.metrics import error_rate
# prepare the data
path = untar_data(URLs.PETS)
path_img = path/'images'
fnames = get_image_files(path_img)
bs = 64
np.random.seed(2)
pat = r'/([^/]+)_\d+.jpg$'
data = ImageDataBunch.from_name_re(path_img, fnames, pat, ds_tfms=get_transforms(), size=224, bs=bs) \
           .normalize(imagenet_stats)
# train the model
learn = cnn_learner(data, models.resnet34, metrics=error_rate)
learn.loss_func = LabelSmoothingCrossEntropy()
learn.fit_one_cycle(4)

最后將數(shù)據(jù)轉(zhuǎn)換成模型可以使用的格式，選擇ResNet架構(gòu)并以帶標(biāo)簽平滑的交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)。經(jīng)過四輪循環(huán)后，其結(jié)果如下

我們所得結(jié)果的錯(cuò)誤率僅為7.5%，這對(duì)于10行左右的代碼來說是完全可以接受的，并且在模型中大多數(shù)參數(shù)還都選擇的是默認(rèn)設(shè)置。

因此，在模型中還有許多參數(shù)可以進(jìn)行調(diào)整，從而使得模型的表現(xiàn)性能更好，例如：可以使用不同的優(yōu)化器、超參數(shù)、模型架構(gòu)等。

結(jié)論

在這篇文章中，我們了解了什么是標(biāo)簽平滑以及什么時(shí)候去使用它，并且我們還知道了如何在PyTorch中實(shí)現(xiàn)它。之后，我們訓(xùn)練了一個(gè)先進(jìn)的計(jì)算機(jī)視覺模型，僅使用十行代碼就識(shí)別出了不同品種的貓和狗。

模型正則化和模型校準(zhǔn)是兩個(gè)重要的概念。若想成為一個(gè)深度學(xué)習(xí)的資深玩家，就應(yīng)該好好地去理解這些能夠?qū)惯^擬合和模型過度自信的工具。

作者簡介： Dimitris Poulopoulos，是BigDataStack的一名機(jī)器學(xué)習(xí)研究員，同時(shí)也是希臘Piraeus大學(xué)的博士。曾為歐盟委員會(huì)、歐盟統(tǒng)計(jì)局、國際貨幣基金組織、歐洲央行等客戶設(shè)計(jì)過與AI相關(guān)的軟件。

總結(jié)

到此這篇關(guān)于如何在PyTorch中使用標(biāo)簽平滑正則化的文章就介紹到這了,更多相關(guān)PyTorch正則化內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論