图像增广

:label:sec_image_augmentation

在 :numref:sec_alexnet中，我们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。在本节中，我们将讨论这项广泛应用于计算机视觉的技术。

```{.python .input} %matplotlib inline from d2l import mxnet as d2l from mxnet import autograd, gluon, image, init, np, npx from mxnet.gluon import nn

npx.set_np()

  2. ```{.python .input}
  3. #@tab pytorch
  4. %matplotlib inline
  5. from d2l import torch as d2l
  6. import torch
  7. import torchvision
  8. from torch import nn

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$400\times 500$的图像作为示例。

```{.python .input} d2l.set_figsize() img = image.imread(‘../img/cat1.jpg’) d2l.plt.imshow(img.asnumpy());

  2. ```{.python .input}
  3. #@tab pytorch
  4. d2l.set_figsize()
  5. img = d2l.Image.open('../img/cat1.jpg')
  6. d2l.plt.imshow(img);

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。

```{.python .input}

@tab all

def apply(img, aug, numrows=2, num_cols=4, scale=1.5): Y = [aug(img) for in range(num_rows * num_cols)] d2l.show_images(Y, num_rows, num_cols, scale=scale)

  2. ### 翻转和裁剪
  4. [**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。
  5. 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。
  7. ```{.python .input}
  8. apply(img, gluon.data.vision.transforms.RandomFlipLeftRight())

```{.python .input}

@tab pytorch

apply(img, torchvision.transforms.RandomHorizontalFlip())

  2. [**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。
  4. ```{.python .input}
  5. apply(img, gluon.data.vision.transforms.RandomFlipTopBottom())

```{.python .input}

@tab pytorch

apply(img, torchvision.transforms.RandomVerticalFlip())

  2. 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。
  3. 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。
  4. 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。
  5. 这也可以降低模型对目标位置的敏感性。
  7. 在下面的代码中，我们[**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到2之间随机取值。
  8. 然后，区域的宽度和高度都被缩放到200像素。
  9. 在本节中（除非另有说明），$a$和$b$之间的随机数指的是在区间$[a, b]$中通过均匀采样获得的连续值。
  11. ```{.python .input}
  12. shape_aug = gluon.data.vision.transforms.RandomResizedCrop(
  13.     (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
  14. apply(img, shape_aug)

```{.python .input}

@tab pytorch

shape_aug = torchvision.transforms.RandomResizedCrop( (200, 200), scale=(0.1, 1), ratio=(0.5, 2)) apply(img, shape_aug)

  2. ### 改变颜色
  4. 另一种增广方法是改变颜色。
  5. 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。
  6. 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%（$1-0.5$）到150%（$1+0.5$）之间。
  8. ```{.python .input}
  9. apply(img, gluon.data.vision.transforms.RandomBrightness(0.5))

```{.python .input}

@tab pytorch

apply(img, torchvision.transforms.ColorJitter( brightness=0.5, contrast=0, saturation=0, hue=0))

  2. 同样，我们可以[**随机更改图像的色调**]。
  4. ```{.python .input}
  5. apply(img, gluon.data.vision.transforms.RandomHue(0.5))

```{.python .input}

@tab pytorch

apply(img, torchvision.transforms.ColorJitter( brightness=0, contrast=0, saturation=0, hue=0.5))

  2. 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`）**]。
  4. ```{.python .input}
  5. color_aug = gluon.data.vision.transforms.RandomColorJitter(
  6.     brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
  7. apply(img, color_aug)

```{.python .input}

@tab pytorch

color_aug = torchvision.transforms.ColorJitter( brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5) apply(img, color_aug)

  2. ### [**结合多种图像增广方法**]
  4. 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。
  6. ```{.python .input}
  7. augs = gluon.data.vision.transforms.Compose([
  8.     gluon.data.vision.transforms.RandomFlipLeftRight(), color_aug, shape_aug])
  9. apply(img, augs)

```{.python .input}

@tab pytorch

augs = torchvision.transforms.Compose([ torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug]) apply(img, augs)

  2. ## [**使用图像增广进行训练**]
  4. 让我们使用图像增广来训练模型。
  5. 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。
  6. 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。
  7. CIFAR-10数据集中的前32个训练图像如下所示。
  9. ```{.python .input}
  10. d2l.show_images(gluon.data.vision.CIFAR10(
  11.     train=True)[0:32][0], 4, 8, scale=0.8);

```{.python .input}

@tab pytorch

all_images = torchvision.datasets.CIFAR10(train=True, root=”../data”, download=True) d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

  2. 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。
  3. 在这里，我们[**只使用最简单的随机左右翻转**]。
  4. 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到1。
  6. ```{.python .input}
  7. train_augs = gluon.data.vision.transforms.Compose([
  8.     gluon.data.vision.transforms.RandomFlipLeftRight(),
  9.     gluon.data.vision.transforms.ToTensor()])
  11. test_augs = gluon.data.vision.transforms.Compose([
  12.     gluon.data.vision.transforms.ToTensor()])

```{.python .input}

@tab pytorch

train_augs = torchvision.transforms.Compose([ torchvision.transforms.RandomHorizontalFlip(), torchvision.transforms.ToTensor()])

test_augs = torchvision.transforms.Compose([ torchvision.transforms.ToTensor()])

  2. :begin_tab:`mxnet`
  3. 接下来，我们定义了一个辅助函数，以便于读取图像和应用图像增广。Gluon数据集提供的`transform_first`函数将图像增广应用于每个训练示例的第一个元素（图像和标签），即图像顶部的元素。有关`DataLoader`的详细介绍，请参阅 :numref:`sec_fashion_mnist`。
  4. :end_tab:
  6. :begin_tab:`pytorch`
  7. 接下来，我们[**定义一个辅助函数，以便于读取图像和应用图像增广**]。PyTorch数据集提供的`transform`函数应用图像增广来转化图像。有关`DataLoader`的详细介绍，请参阅 :numref:`sec_fashion_mnist`。
  8. :end_tab:
  10. ```{.python .input}
  11. def load_cifar10(is_train, augs, batch_size):
  12.     return gluon.data.DataLoader(
  13.         gluon.data.vision.CIFAR10(train=is_train).transform_first(augs),
  14.         batch_size=batch_size, shuffle=is_train,
  15.         num_workers=d2l.get_dataloader_workers())

```{.python .input}

@tab pytorch

def load_cifar10(is_train, augs, batch_size): dataset = torchvision.datasets.CIFAR10(root=”../data”, train=is_train, transform=augs, download=True) dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=is_train, num_workers=d2l.get_dataloader_workers()) return dataloader

  2. ### 多GPU训练
  4. 我们在CIFAR-10数据集上训练 :numref:`sec_resnet`中的ResNet-18模型。
  5. 回想一下 :numref:`sec_multi_gpu_concise`中对多GPU训练的介绍。
  6. 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**]。
  8. ```{.python .input}
  9. #@save
  10. def train_batch_ch13(net, features, labels, loss, trainer, devices,
  11.                      split_f=d2l.split_batch):
  12.     """用多GPU进行小批量训练"""
  13.     X_shards, y_shards = split_f(features, labels, devices)
  14.     with autograd.record():
  15.         pred_shards = [net(X_shard) for X_shard in X_shards]
  16.         ls = [loss(pred_shard, y_shard) for pred_shard, y_shard
  17.               in zip(pred_shards, y_shards)]
  18.     for l in ls:
  19.         l.backward()
  20.     # True标志允许使用过时的梯度，这很有用（例如，在微调BERT中）
  21.     trainer.step(labels.shape[0], ignore_stale_grad=True)
  22.     train_loss_sum = sum([float(l.sum()) for l in ls])
  23.     train_acc_sum = sum(d2l.accuracy(pred_shard, y_shard)
  24.                         for pred_shard, y_shard in zip(pred_shards, y_shards))
  25.     return train_loss_sum, train_acc_sum

```{.python .input}

@tab pytorch

@save

def train_batch_ch13(net, X, y, loss, trainer, devices): “””用多GPU进行小批量训练””” if isinstance(X, list):

  1.     # 微调BERT中所需（稍后讨论）
  2.     X = [x.to(devices[0]) for x in X]
  3. else:
  4.     X = X.to(devices[0])
  5. y = y.to(devices[0])
  6. net.train()
  7. trainer.zero_grad()
  8. pred = net(X)
  9. l = loss(pred, y)
  10. l.sum().backward()
  11. trainer.step()
  12. train_loss_sum = l.sum()
  13. train_acc_sum = d2l.accuracy(pred, y)
  14. return train_loss_sum, train_acc_sum
  2. ```{.python .input}
  3. #@save
  4. def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
  5.                devices=d2l.try_all_gpus(), split_f=d2l.split_batch):
  6.     """用多GPU进行模型训练"""
  7.     timer, num_batches = d2l.Timer(), len(train_iter)
  8.     animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
  9.                             legend=['train loss', 'train acc', 'test acc'])
  10.     for epoch in range(num_epochs):
  11.         # 4个维度：储存训练损失，训练准确度，实例数，特点数
  12.         metric = d2l.Accumulator(4)
  13.         for i, (features, labels) in enumerate(train_iter):
  14.             timer.start()
  15.             l, acc = train_batch_ch13(
  16.                 net, features, labels, loss, trainer, devices, split_f)
  17.             metric.add(l, acc, labels.shape[0], labels.size)
  18.             timer.stop()
  19.             if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
  20.                 animator.add(epoch + (i + 1) / num_batches,
  21.                              (metric[0] / metric[2], metric[1] / metric[3],
  22.                               None))
  23.         test_acc = d2l.evaluate_accuracy_gpus(net, test_iter, split_f)
  24.         animator.add(epoch + 1, (None, None, test_acc))
  25.     print(f'loss {metric[0] / metric[2]:.3f}, train acc '
  26.           f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
  27.     print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
  28.           f'{str(devices)}')

```{.python .input}

@tab pytorch

@save

def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, devices=d2l.try_all_gpus()): “””用多GPU进行模型训练””” timer, num_batches = d2l.Timer(), len(train_iter) animator = d2l.Animator(xlabel=’epoch’, xlim=[1, num_epochs], ylim=[0, 1], legend=[‘train loss’, ‘train acc’, ‘test acc’]) net = nn.DataParallel(net, device_ids=devices).to(devices[0]) for epoch in range(num_epochs):

  1.     # 4个维度：储存训练损失，训练准确度，实例数，特点数
  2.     metric = d2l.Accumulator(4)
  3.     for i, (features, labels) in enumerate(train_iter):
  4.         timer.start()
  5.         l, acc = train_batch_ch13(
  6.             net, features, labels, loss, trainer, devices)
  7.         metric.add(l, acc, labels.shape[0], labels.numel())
  8.         timer.stop()
  9.         if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
  10.             animator.add(epoch + (i + 1) / num_batches,
  11.                          (metric[0] / metric[2], metric[1] / metric[3],
  12.                           None))
  13.     test_acc = d2l.evaluate_accuracy_gpu(net, test_iter)
  14.     animator.add(epoch + 1, (None, None, test_acc))
  15. print(f'loss {metric[0] / metric[2]:.3f}, train acc '
  16.       f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
  17. print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
  18.       f'{str(devices)}')
  2. 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。
  4. ```{.python .input}
  5. batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10)
  6. net.initialize(init=init.Xavier(), ctx=devices)
  8. def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
  9.     train_iter = load_cifar10(True, train_augs, batch_size)
  10.     test_iter = load_cifar10(False, test_augs, batch_size)
  11.     loss = gluon.loss.SoftmaxCrossEntropyLoss()
  12.     trainer = gluon.Trainer(net.collect_params(), 'adam',
  13.                             {'learning_rate': lr})
  14.     train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

```{.python .input}

@tab pytorch

batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)

def initweights(m): if type(m) in [nn.Linear, nn.Conv2d]: nn.init.xavier_uniform(m.weight)

net.apply(init_weights)

def train_with_data_aug(train_augs, test_augs, net, lr=0.001): train_iter = load_cifar10(True, train_augs, batch_size) test_iter = load_cifar10(False, test_augs, batch_size) loss = nn.CrossEntropyLoss(reduction=”none”) trainer = torch.optim.Adam(net.parameters(), lr=lr) train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

  2. 让我们使用基于随机左右翻转的图像增广来[**训练模型**]。
  4. ```{.python .input}
  5. #@tab all
  6. train_with_data_aug(train_augs, test_augs, net)

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？

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab: