图像增广¶

:label:sec_image_augmentation

: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。

In [1]:

%matplotlib inline
        import torch
        import torchvision
        from torch import nn
        from d2l import torch 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$400\times 500$的图像作为示例。

In [2]:

d2l.set_figsize()
        img = d2l.Image.open('../upload/cat1.jpg')
        d2l.plt.imshow(img);

No description has been provided for this image

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。

In [3]:

def apply(img, aug, num_rows=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)

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。

In [4]:

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

[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。

In [5]:

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

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），$a$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。

In [6]:

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

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%（$1-0.5$）到150%（$1+0.5$）之间。

In [7]:

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

同样，我们可以[随机更改图像的色调]。

In [8]:

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

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）]。

In [9]:

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

[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。

In [10]:

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

[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。

In [11]:

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);

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ../data/cifar-10-python.tar.gz

Extracting ../data/cifar-10-python.tar.gz to ../data

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。

In [12]:

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

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参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。

In [13]:

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

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]。

In [14]:

#@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):
                # 微调BERT中所需
                X = [x.to(devices[0]) for x in X]
            else:
                X = X.to(devices[0])
            y = y.to(devices[0])
            net.train()
            trainer.zero_grad()
            pred = net(X)
            l = loss(pred, y)
            l.sum().backward()
            trainer.step()
            train_loss_sum = l.sum()
            train_acc_sum = d2l.accuracy(pred, y)
            return train_loss_sum, train_acc_sum

In [15]:

#@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):
                # 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, (features, labels) in enumerate(train_iter):
                    timer.start()
                    l, acc = train_batch_ch13(
                        net, features, labels, loss, trainer, devices)
                    metric.add(l, acc, labels.shape[0], labels.numel())
                    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))
                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 on '
                  f'{str(devices)}')

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。

In [16]:

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

让我们使用基于随机左右翻转的图像增广来[训练模型]。

In [17]:

train_with_data_aug(train_augs, test_augs, net)

loss 0.173, train acc 0.941, test acc 0.854
        4183.9 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]

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¶

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？
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？
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？