5 模型集成
本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。

5.1 学习目标
学习集成学习方法以及交叉验证情况下的模型集成
学会使用深度学习模型的集成学习
5.2 集成学习方法
在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成学习方法与具体验证集划分联系紧密。

由于深度学习模型一般需要较长的训练周期，如果硬件设备不允许建议选取留出法，如果需要追求精度可以使用交叉验证的方法。

下面假设构建了10折交叉验证，训练得到10个CNN模型。
Image

那么在10个CNN模型可以使用如下方式进行集成：

对预测的结果的概率值进行平均，然后解码为具体字符；
对预测的字符进行投票，得到最终字符。
5.3 深度学习中的集成学习
此外在深度学习中本身还有一些集成学习思路的做法，值得借鉴学习：

5.3.1 Dropout
Dropout可以作为训练深度神经网络的一种技巧。在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。
Image

Dropout经常出现在在先有的CNN网络中，可以有效的缓解模型过拟合的情况，也可以在预测时增加模型的精度。

加入Dropout后的网络结构如下：

1

定义模型

2
class SVHN_Model1(nn.Module):
3
def init(self):
4
super(SVHN_Model1, self).init()
5
# CNN提取特征模块
6
self.cnn = nn.Sequential(
7
nn.Conv2d(3, 16, kernel_size=(3, 3), stride=(2, 2)),
8
nn.ReLU(),
9
nn.Dropout(0.25),
10
nn.MaxPool2d(2),
11
nn.Conv2d(16, 32, kernel_size=(3, 3), stride=(2, 2)),
12
nn.ReLU(),
13
nn.Dropout(0.25),
14
nn.MaxPool2d(2),
15
)
16
#
17
self.fc1 = nn.Linear(3237, 11)
18
self.fc2 = nn.Linear(3237, 11)
19
self.fc3 = nn.Linear(3237, 11)
20
self.fc4 = nn.Linear(3237, 11)
21
self.fc5 = nn.Linear(3237, 11)
22
self.fc6 = nn.Linear(3237, 11)
23

24
def forward(self, img):
25
feat = self.cnn(img)
26
feat = feat.view(feat.shape[0], -1)
27
c1 = self.fc1(feat)
28
c2 = self.fc2(feat)
29
c3 = self.fc3(feat)
30
c4 = self.fc4(feat)
31
c5 = self.fc5(feat)
32
c6 = self.fc6(feat)
33
return c1, c2, c3, c4, c5, c6
5.3.2 TTA
测试集数据扩增（Test Time Augmentation，简称TTA）也是常用的集成学习技巧，数据扩增不仅可以在训练时候用，而且可以同样在预测时候进行数据扩增，对同一个样本预测三次，然后对三次结果进行平均。

1 2 3
Image Image Image
1
def predict(test_loader, model, tta=10):
2
model.eval()
3
test_pred_tta = None
4
# TTA 次数
5
for _ in range(tta):
6
test_pred = []
7

8
with torch.no_grad():
9
for i, (input, target) in enumerate(test_loader):
10
c0, c1, c2, c3, c4, c5 = model(data[0])
11
output = np.concatenate([c0.data.numpy(), c1.data.numpy(),
12
c2.data.numpy(), c3.data.numpy(),
13
c4.data.numpy(), c5.data.numpy()], axis=1)
14
test_pred.append(output)
15

16
test_pred = np.vstack(test_pred)
17
if test_pred_tta is None:
18
test_pred_tta = test_pred
19
else:
20
test_pred_tta += test_pred
21

22
return test_pred_tta
5.3.3 Snapshot
本章的开头已经提到，假设我们训练了10个CNN则可以将多个模型的预测结果进行平均。但是加入只训练了一个CNN模型，如何做模型集成呢？

在论文Snapshot Ensembles中，作者提出使用cyclical learning rate进行训练模型，并保存精度比较好的一些checkopint，最后将多个checkpoint进行模型集成。
Image

由于在cyclical learning rate中学习率的变化有周期性变大和减少的行为，因此CNN模型很有可能在跳出局部最优进入另一个局部最优。在Snapshot论文中作者通过使用表明，此种方法可以在一定程度上提高模型精度，但需要更长的训练时间。
Image

5.4 结果后处理
在不同的任务中可能会有不同的解决方案，不同思路的模型不仅可以互相借鉴，同时也可以修正最终的预测结果。

在本次赛题中，可以从以下几个思路对预测结果进行后处理：

统计图片中每个位置字符出现的频率，使用规则修正结果；
单独训练一个字符长度预测模型，用来预测图片中字符个数，并修正结果。
5.5 本章小节
在本章中我们讲解了深度学习模型做集成学习的各种方法，并以此次赛题为例讲解了部分代码。以下几点需要同学们注意：

集成学习只能在一定程度上提高精度，并需要耗费较大的训练时间，因此建议先使用提高单个模型的精度，再考虑集成学习过程；
具体的集成学习方法需要与验证集划分方法结合，Dropout和TTA在所有场景有可以起作用。