在機器學習中的整合學習可以在一定程度上提高**精度，常見的整合學習方法有stacking、bagging和boosting，同時這些整合學習方法與具體驗證集劃分聯絡緊密。
由於深度學習模型一般需要較長的訓練週期，如果硬體裝置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。
下面假設構建了10折交叉驗證，訓練得到10個cnn模型。
那麼在10個cnn模型可以使用如下方式進行整合：
深度學習中的整合學習
1.1 dropout
dropout可以作為訓練深度神經網路的一種技巧。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**的過程中讓所有的節點都其作用。
dropout經常出現在在先有的cnn網路中，可以有效的緩解模型過擬合的情況，也可以在**時增加模型的精度。
加入dropout後的網路結構如下：
# 定義模型
class svhn_model1(nn.module):
def __init__(self):
super(svhn_model1, self).__init__()
# cnn提取特徵模組
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
測試集資料擴增（test time augmentation，簡稱tta）也是常用的整合學習技巧，資料擴增不僅可以在訓練時候用，而且可以同樣在**時候進行資料擴增，對同乙個樣本**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 = 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
本章的開頭已經提到，假設我們訓練了10個cnn則可以將多個模型的**結果進行平均。但是加入只訓練了乙個cnn模型，如何做模型整合呢？
在**snapshot ensembles中，作者提出使用cyclical learning rate進行訓練模型，並儲存精度比較好的一些checkopint，最後將多個checkpoint進行模型整合。
由於在cyclical learning rate中學習率的變化有週期性變大和減少的行為，因此cnn模型很有可能在跳出區域性最優進入另乙個區域性最優。在snapshot**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。
零基礎入門CV賽事 Task5 模型整合
本章講解的知識點包括 整合學習方法 深度學習中的整合學習和結果後處理思路。stacking先從初始資料集訓練出初級學習器 個體學習器 然後 生成 乙個新資料集用於訓練次級學習器 用於結合的學習器，也稱元學習器meta learner 新的資料集中，初級學習器的輸出被當作樣例輸入特徵。注 訓練階段，次...
零基礎入門CV賽事 Task5 模型整合
學習整合學習方法以及交叉驗證情況下的模型整合 學會使用深度學習模型的整合學習 目的是提高 精度 方法有 stacking bagging boosting等，例如在機器學習中，對10個cnn模型可以使用如下方式進行整合 對 的結果的概率值進行平均，然後解碼為具體字元 對 的字元進行投票，得到最終字元...
零基礎入門CV賽事 Task5 模型整合
k means通常被稱為勞埃德演算法，這在資料聚類中是最經典的，也是相對容易理解的模型。演算法執行的過程分為4個階段。1.首先，隨機設k個特徵空間內的點作為初始的聚類中心。2.然後，對於根據每個資料的特徵向量，從k個聚類中心中尋找距離最近的乙個，並且把該資料標記為這個聚類中心。3.接著，在所有的資料...