街景字符編碼識別（task6）模型集成

集成學習方法

在機器學習中的集成學習可以在一定程度上提高預測精度，常見的集成學習方法有Stacking、Bagging和Boosting，同時這些集成學習方法與具體驗證集劃分聯繫緊密。由於深度學習模型一般需要較長的訓練週期，如果硬件條件不允許建議選取留出法，如果需要追求精度可以使用交叉驗證的方法。
10折交叉驗證，訓練得到10個CNN模型：每個模型選取一個不同的驗證集，求出後取均值；
Dropout可以作爲訓練深度神經網絡的一種技巧。在每個訓練批次中，通過隨機讓一部分的節點停止工作。同時在預測的過程中讓所有的節點都其作用；可以有效的緩解模型過擬合的情況，也可以在預測時增加模型的精度

class SVHN_Model1(nn.Module):
    def __init__(self):
        super(SVHN_Model1, self).__init__()
        # CNN提取特徵模塊
        self.cnn = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=(3, 3), stride=(2, 2)),
            nn.ReLU(),
            nn.Dropout(0.25),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 32, kernel_size=(3, 3), stride=(2, 2)),
            nn.ReLU(), 
            nn.Dropout(0.25),
            nn.MaxPool2d(2),
        )
        # 
        self.fc1 = nn.Linear(32*3*7, 11)
        self.fc2 = nn.Linear(32*3*7, 11)
        self.fc3 = nn.Linear(32*3*7, 11)
        self.fc4 = nn.Linear(32*3*7, 11)
        self.fc5 = nn.Linear(32*3*7, 11)
        self.fc6 = nn.Linear(32*3*7, 11)
    
    def forward(self, img):        
        feat = self.cnn(img)
        feat = feat.view(feat.shape[0], -1)
        c1 = self.fc1(feat)
        c2 = self.fc2(feat)
        c3 = self.fc3(feat)
        c4 = self.fc4(feat)
        c5 = self.fc5(feat)
        c6 = self.fc6(feat)
        return c1, c2, c3, c4, c5, c6

測試集數據擴增（Test Time Augmentation，簡稱TTA）也是常用的集成學習技巧，在之前的文章分析過，數據擴增不僅可以在訓練時候用，而且可以同樣在預測時候進行數據擴增，對同一個樣本預測三次，然後對三次結果進行平均。

def predict(test_loader, model, tta=10):
   model.eval()
   test_pred_tta = None
   # TTA 次數
   for _ in range(tta):
       test_pred = []
   
       with torch.no_grad():
           for i, (input, target) in enumerate(test_loader):
               c0, c1, c2, c3, c4, c5 = model(data[0])
               output = np.concatenate([c0.data.numpy(), c1.data.numpy(),
                  c2.data.numpy(), c3.data.numpy(),
                  c4.data.numpy(), c5.data.numpy()], axis=1)
               test_pred.append(output)
       
       test_pred = np.vstack(test_pred)
       if test_pred_tta is None:
           test_pred_tta = test_pred
       else:
           test_pred_tta += test_pred
   
   return test_pred_tta

Snapshot
假設我們訓練了10個CNN則可以將多個模型的預測結果進行平均。但是加入只訓練了一個CNN模型，如何做模型集成呢？

在論文Snapshot Ensembles中，作者提出使用cyclical learning rate進行訓練模型，並保存精度比較好的一些checkopint，最後將多個checkpoint進行模型集成。
於在cyclical learning rate中學習率的變化有周期性變大和減少的行爲，因此CNN模型很有可能在跳出局部最優進入另一個局部最優。在Snapshot論文中作者通過使用表明，此種方法可以在一定程度上提高模型精度，但需要更長的訓練時間。

集成學習只能在一定程度上提高精度，並需要耗費較大的訓練時間，因此建議先使用提高單個模型的精度，再考慮集成學習過程；

具體的集成學習方法需要與驗證集劃分方法結合，Dropout和TTA在所有場景有可以起作用。