8个计算机视觉深度学习中常见的Bug

 a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size) 

 patch = x[a:b, c:d, :] 

 mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1) 

 weights[a:b, c:d, :] += 1 

 return mask / weights 

如果你仍然不知道问题出在哪里，请注意 weights[a:b,c:d,:]+=1这一行。

8. Imagenet归一化

当一个人需要进行转移学习时，用训练Imagenet时的方法将图像归一化通常是一个好主意。

让我们使用我们已经熟悉的albumentations库。

from albumentations import Normalize 

norm = Normalize() 

img = cv2.imread('img_small.jpg') 

mask = cv2.imread('mask_small.png', cv2.IMREAD_GRAYSCALE) 

mask = np.expand_dims(mask, -1) # shape (64, 64) -> shape (64, 64, 1) 

normed = norm(image=img, mask=mask) 

img, mask = [normed[x] for x in ['image', 'mask']] 

def img_to_batch(x): 

 x = np.transpose(x, (2, 0, 1)).astype('float32') 

 return torch.from_numpy(np.expand_dims(x, 0)) 

img, mask = map(img_to_batch, (img, mask)) 

criterion = F.binary_cross_entropy 

现在是时候训练一个网络并对单个图像进行过度拟合了——正如我所提到的，这是一种很好的调试技术：

model_a = UNet(3, 1)  

optimizer = torch.optim.Adam(model_a.parameters(), lr=1e-3) 

losses = [] 

for t in tqdm(range(20)): 

 loss = criterion(model_a(img), mask) 

 losses.append(loss.item())  

 optimizer.zero_grad() 

 loss.backward() 

 optimizer.step() 

_ = plt.plot(losses)  

曲率看起来很好，但是交叉熵的损失值-300是不可预料的。是什么问题?

归一化处理图像效果很好，但是mask没有：需要手动缩放到 [0,1]。

model_b = UNet(3, 1)  

optimizer = torch.optim.Adam(model_b.parameters(), lr=1e-3) 

losses = [] 

for t in tqdm(range(20)): 

 loss = criterion(model_b(img), mask / 255.) 

 losses.append(loss.item())  

 optimizer.zero_grad() 

 loss.backward() 

 optimizer.step() 

_ = plt.plot(losses) 

训练循环的简单运行时断言(例如 assertmask.max()<=1会很快检测到问题。同样，也可以是单元测试。

总结

测试很有必要

运行时断言可以用于训练的pipeline;

可视化是一种幸福

复制粘贴是一种诅咒

没有什么是灵丹妙药，一个机器学习工程师必须总是小心(或只是受苦)。 

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!