.. _sec_image_augmentation: 图像增广 ======== :numref:`sec_alexnet`\ 提到过大型数据集是成功应用深度神经网络的先决条件。 图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。 此外，应用图像增广的原因是，随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。 例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。 我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。 可以说，图像增广技术对于AlexNet的成功是必不可少的。本节将讨论这项广泛应用于计算机视觉的技术。 .. raw:: latex \diilbookstyleinputcell .. code:: python %matplotlib inline import albumentations as A import mlx.core as mx import mlx.data as dx import mlx.optimizers as optim import numpy as np from mlx import nn from d2l import mlx as d2l 常用的图像增广方法 ------------------ 在对常用图像增广方法的探索时，我们将使用下面这个尺寸为\ :math:`400\times 500`\ 的图像作为示例。 .. raw:: latex \diilbookstyleinputcell .. code:: python d2l.set_figsize() img = d2l.Image.open('../img/cat1.jpg') d2l.plt.imshow(img); .. figure:: output_image-augmentation_5ce40d_3_0.svg 大多数图像增广方法都具有一定的随机性。为了便于观察图像增广的效果，我们下面定义辅助函数\ ``apply``\ 。 此函数在输入图像\ ``img``\ 上多次运行图像增广方法\ ``aug``\ 并显示所有结果。 .. raw:: latex \diilbookstyleinputcell .. code:: python def apply(img, aug, num_rows=2, num_cols=4, scale=1.5): Y = [aug(image=np.array(img))["image"] for _ in range(num_rows * num_cols)] d2l.show_images(Y, num_rows, num_cols, scale=scale) 翻转和裁剪 ~~~~~~~~~~ 左右翻转图像通常不会改变对象的类别。这是最早且最广泛使用的图像增广方法之一。 接下来，我们使用\ ``transforms``\ 模块来创建\ ``RandomFlipLeftRight``\ 实例，这样就各有50%的几率使图像向左或向右翻转。 .. raw:: latex \diilbookstyleinputcell .. code:: python apply(img, A.HorizontalFlip()) .. figure:: output_image-augmentation_5ce40d_7_0.svg 上下翻转图像不如左右图像翻转那样常用。但是，至少对于这个示例图像，上下翻转不会妨碍识别。接下来，我们创建一个\ ``RandomFlipTopBottom``\ 实例，使图像各有50%的几率向上或向下翻转。 .. raw:: latex \diilbookstyleinputcell .. code:: python apply(img, A.VerticalFlip()) .. figure:: output_image-augmentation_5ce40d_9_0.svg 在我们使用的示例图像中，猫位于图像的中间，但并非所有图像都是这样。 在 :numref:`sec_pooling`\ 中，我们解释了汇聚层可以降低卷积层对目标位置的敏感性。 另外，我们可以通过对图像进行随机裁剪，使物体以不同的比例出现在图像的不同位置。 这也可以降低模型对目标位置的敏感性。 下面的代码将随机裁剪一个面积为原始面积10%到100%的区域，该区域的宽高比从0.5～2之间随机取值。 然后，区域的宽度和高度都被缩放到200像素。 在本节中（除非另有说明），\ :math:`a`\ 和\ :math:`b`\ 之间的随机数指的是在区间\ :math:`[a, b]`\ 中通过均匀采样获得的连续值。 .. raw:: latex \diilbookstyleinputcell .. code:: python shape_aug = A.RandomResizedCrop( (200, 200), scale=(0.1, 1), ratio=(0.5, 2)) apply(img, shape_aug) .. figure:: output_image-augmentation_5ce40d_11_0.svg 改变颜色 ~~~~~~~~ 另一种增广方法是改变颜色。 我们可以改变图像颜色的四个方面：亮度、对比度、饱和度和色调。 在下面的示例中，我们随机更改图像的亮度，随机值为原始图像的50%（\ :math:`1-0.5`\ ）到150%（\ :math:`1+0.5`\ ）之间。 .. raw:: latex \diilbookstyleinputcell .. code:: python apply(img, A.ColorJitter( brightness=0.5, contrast=0, saturation=0, hue=0)) .. figure:: output_image-augmentation_5ce40d_13_0.svg 同样，我们可以随机更改图像的色调。 .. raw:: latex \diilbookstyleinputcell .. code:: python apply(img, A.ColorJitter( brightness=0, contrast=0, saturation=0, hue=0.5)) .. figure:: output_image-augmentation_5ce40d_15_0.svg 我们还可以创建一个\ ``RandomColorJitter``\ 实例，并设置如何同时随机更改图像的亮度（\ ``brightness``\ ）、对比度（\ ``contrast``\ ）、饱和度（\ ``saturation``\ ）和色调（\ ``hue``\ ）。 .. raw:: latex \diilbookstyleinputcell .. code:: python color_aug = A.ColorJitter( brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5) apply(img, color_aug) .. figure:: output_image-augmentation_5ce40d_17_0.svg 结合多种图像增广方法 ~~~~~~~~~~~~~~~~~~~~ 在实践中，我们将结合多种图像增广方法。比如，我们可以通过使用一个\ ``Compose``\ 实例来综合上面定义的不同的图像增广方法，并将它们应用到每个图像。 .. raw:: latex \diilbookstyleinputcell .. code:: python augs = A.Compose([ A.HorizontalFlip(), color_aug, shape_aug]) apply(img, augs) .. figure:: output_image-augmentation_5ce40d_19_0.svg 使用图像增广进行训练 -------------------- 让我们使用图像增广来训练模型。 这里，我们使用CIFAR-10数据集，而不是我们之前使用的Fashion-MNIST数据集。 这是因为Fashion-MNIST数据集中对象的位置和大小已被规范化，而CIFAR-10数据集中对象的颜色和大小差异更明显。 CIFAR-10数据集中的前32个训练图像如下所示。 .. raw:: latex \diilbookstyleinputcell .. code:: python all_images = dx.datasets.load_cifar10(train=True, root="../data") d2l.show_images([all_images[i]["image"] for i in range(32)], 4, 8, scale=0.8); .. figure:: output_image-augmentation_5ce40d_21_0.svg 为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，且在预测过程中不使用随机操作的图像增广。 在这里，我们只使用最简单的随机左右翻转。 此外，我们使用\ ``ToTensor``\ 实例将一批图像转换为深度学习框架所要求的格式，即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0～1。 .. raw:: latex \diilbookstyleinputcell .. code:: python train_augs = A.Compose([ A.HorizontalFlip() ]) test_augs = A.Compose([]) .. raw:: latex \diilbookstyleinputcell .. code:: python def load_cifar10(is_train, augs, batch_size): dataset = dx.datasets.load_cifar10(root="../data", train=is_train) def process_sample(samples: dict) -> dict: image = samples["image"] label = samples["label"] image = augs(image=image)["image"] image = image.astype("float32") / 255.0 label = label.astype("int32") return {"X": image, "y": label} dataset = dataset.sample_transform(process_sample) num_batch = len(dataset) // batch_size data_iter = ( dataset.shuffle_if(is_train) .to_stream() .batch(batch_size) ) return data_iter, num_batch 多GPU训练 ~~~~~~~~~ 我们在CIFAR-10数据集上训练 :numref:`sec_resnet`\ 中的ResNet-18模型。 回想一下 :numref:`sec_multi_gpu_concise`\ 中对多GPU训练的介绍。 接下来，我们定义一个函数，使用多GPU对模型进行训练和评估。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def train_batch_ch13(net, X, y, train_step, trainer): """用多GPU进行小批量训练""" net.train() loss_and_grad_fn = nn.value_and_grad(net, train_step) (loss, acc), grads = loss_and_grad_fn(net, X, y) trainer.update(net, grads) train_loss_sum = loss.item() train_acc_sum = acc.item() return train_loss_sum, train_acc_sum .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def train_ch13(net, train_iter, num_train_batches, test_iter, loss, trainer, num_epochs): """用多GPU进行模型训练""" timer = d2l.Timer() num_batches = num_train_batches animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1], legend=['train loss', 'train acc', 'test acc']) def train_step(net, X, y): y_hat = net(X) los = loss(y_hat, y, reduction='sum') acc = mx.sum(mx.argmax(y_hat, axis=-1) == y) return los, acc for epoch in range(num_epochs): # 4个维度：储存训练损失，训练准确度，实例数，特点数 metric = d2l.Accumulator(4) for i, samples in enumerate(train_iter): features, labels = mx.array(samples["X"]), mx.array(samples["y"]) timer.start() l, acc = train_batch_ch13( net, features, labels, train_step, trainer) metric.add(l, acc, labels.shape[0], labels.shape[0]) timer.stop() if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1: animator.add(epoch + (i + 1) / num_batches, (metric[0] / metric[2], metric[1] / metric[3], None)) train_iter.reset() test_acc = d2l.evaluate_accuracy_gpu(net, test_iter) animator.add(epoch + 1, (None, None, test_acc)) print(f'loss {metric[0] / metric[2]:.3f}, train acc ' f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}') print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec ') 现在，我们可以定义\ ``train_with_data_aug``\ 函数，使用图像增广来训练模型。该函数获取所有的GPU，并使用Adam作为训练的优化算法，将图像增广应用于训练集，最后调用刚刚定义的用于训练和评估模型的\ ``train_ch13``\ 函数。 .. raw:: latex \diilbookstyleinputcell .. code:: python batch_size, net = 256, d2l.resnet18(10, 3) def init_model_weights(model): """ 一个用于 net.apply 的函数，它会根据layer的类型来决定初始化策略。 """ for name, layer in model.named_modules(): if isinstance(layer, nn.Linear): print(f"Initializing Linear: {name}") for param in layer.parameters(): print("Init before", name, "\n", layer, "\n", layer[param]) if hasattr(layer, 'weight') and layer.weight is not None: new_weight = nn.init.glorot_uniform()(layer.weight) layer.update({"weight": new_weight}) if hasattr(layer, 'bias') and layer.bias is not None: new_bias = nn.init.constant(0)(layer.bias) layer.update({"bias": new_bias}) for param in layer.parameters(): print("Init after", name, "\n", layer, "\n", layer[param]) elif isinstance(layer, nn.Conv2d): print(f"Initializing Conv2D: {name}") for param in layer.parameters(): print("Init before", name, "\n", layer, "\n", layer[param]) if hasattr(layer, 'weight') and layer.weight is not None: new_weight = nn.init.glorot_uniform()(layer.weight) layer.update({"weight": new_weight}) if hasattr(layer, 'bias') and layer.bias is not None: new_bias = nn.init.constant(0)(layer.bias) layer.update({"bias": new_bias}) for param in layer.parameters(): print("Init after", name, "\n", layer, "\n", layer[param]) mx.eval(model.parameters()) # Ensure changes are applied def train_with_data_aug(train_augs, test_augs, net, lr=0.001): train_iter, num_batches = load_cifar10(True, train_augs, batch_size) test_iter, _ = load_cifar10(False, test_augs, batch_size) loss = nn.losses.cross_entropy trainer = optim.Adam(learning_rate = lr) train_ch13(net, train_iter, num_batches, test_iter, loss, trainer, 10) 让我们使用基于随机左右翻转的图像增广来训练模型。 .. raw:: latex \diilbookstyleinputcell .. code:: python train_with_data_aug(train_augs, test_augs, net) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output loss 0.466, train acc 0.838, test acc 0.664 5468.4 examples/sec .. figure:: output_image-augmentation_5ce40d_31_1.svg 小结 ---- - 图像增广基于现有的训练数据生成随机图像，来提高模型的泛化能力。 - 为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，而在预测过程中不使用带随机操作的图像增广。 - 深度学习框架提供了许多不同的图像增广方法，这些方法可以被同时应用。 练习 ---- 1. 在不使用图像增广的情况下训练模型：\ ``train_with_data_aug(no_aug, no_aug)``\ 。比较使用和不使用图像增广的训练结果和测试精度。这个对比实验能支持图像增广可以减轻过拟合的论点吗？为什么？ 2. 在基于CIFAR-10数据集的模型训练中结合多种不同的图像增广方法。它能提高测试准确性吗？ 3. 参阅深度学习框架的在线文档。它还提供了哪些其他的图像增广方法？