CIFAR

#CIFAR| 来源: 网络整理| 查看: 265

CIFAR-10数据集应用：快速入门数据增强方法Mixup，显著提升图像识别准确度栏目：肉宠小说发布时间：2022-02-17人气：941 格物钛公开数据集提供海量优质公开数据集搜索、数据托管、一站式搜索，与全球 AI 开发者共创公开数据集社区。本文介绍的是以格物钛公开数据集平台中的 CIFAR-10 数据集为基础，通过数据增强方法 Mixup，显著提升图像识别准确度。

关于作者：Ta-Ying Cheng，牛津大学博士研究生，Medium 技术博主，多篇文章均被平台官方刊物 Towards Data Science 收录（翻译：颂贤）。

深度学习蓬勃发展的这几年来，图像分类一直是最为火热的领域之一。传统上的图像识别严重依赖像是扩张/侵蚀或者是频域变换这样的处理方法，但特征提取的困难性限制了这些方法的进步空间。现如今的神经网络则显著提高了图像识别的准确率，因为神经网络能够寻找输入图像和输出标签之间的关系，并以此不断地调整它的识别策略。然而，神经网络往往需要大量的数据进行训练，而优质的训练数据并不是唾手可得的。因此现在许多人都在研究如何能够实现所谓的数据增强（Data augmentation），即在一个已有的小数据集中凭空增加数据量，来达到以一敌百的效果。本文就将带大家认识一种简单而有效的数据增强策略 Mixup，并介绍直接在 PyTorch 中实现 Mixup 的方法。

1. 为什么需要数据增强？

神经网络架构内的参数是根据给定的数据进行训练和更新的。但由于训练数据只覆盖了某一部分可能数据的分布情况，网络很可能就会在分布的“能见”部分过度拟合。因此，我们拥有的训练数据越多，理论上就越能覆盖整个分布的情况（这也正是为什么以数据为中心的 AI（data-centric AI）非常重要）。当然，在数据量有限的情况下，我们也并不是没有办法。通过数据增强，我们就可以尝试通过微调原有数据的方式产生新数据，并将其作为“新”样本送入网络进行训练。

2. 什么是Mixup？

假设我们现在要做的事情是给猫和狗的图片做分类，并且我们已经有了一组标注好了是猫是狗的数据（例如[1, 0] -> 狗, [0, 1] -> 猫），那么 Mixup 简单来说就是将两张图像及其标签平均化为一个新数据。

具体而言，我们可以用数学公式写出 Mixup 的概念：

其中，和分别是混合（标签为）和（标签为）后的图像和标签，而 λ 则是从给定的贝塔分布中取得的随机数。由此，Mixup 能够为我们提供不同数据类别之间的连续数据样本，并因此直接扩大了给定训练集的分布，从而使网络在测试阶段更加强大。

Mixup的万用性

Mixup 其实只是一种数据增强方法，它和任何用于分类的网络架构都是正交的。也就是说，我们可以在任何要进行分类任务的网络中对相应的数据集使用 Mixup 方法。Mixup 的提出者张宏毅等人基于其最初发表的论文《mixup: Beyond Empirical Risk Minimization》对多个数据集和架构进行了实验，发现了 Mixup 在神经网络之外的应用中也能体现其强大能力。

3. 计算环境

库

我们将通过 PyTorch（包括 torchvision）来构建整个程序。Mixup 需要的从 beta 分布中生成的样本，我们可以从 NumPy 库中获得。我们还将使用 random 来为 Mixup 寻找随机图像。下面的代码能够导入我们需要的所有库：

""" Import necessary libraries to train a network using mixup The code is mainly developed using the PyTorch library """ import numpy as np import pickle import random import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torchvision.transforms as transforms from torch.utils.data import Dataset, DataLoader TAG：优质rb攻略系统70 上一篇：打开手机稳定器全平台跟拍新视界，浩瀚卓越专注用户式创新下一篇：千讯基因引入最先进的多功能测序仪 “CIFAR-10数据集应用：快速入门数据增强方法Mixup，显著提升图像识别准确度” 相关信息：单/多商城分销系统具备哪些优势？