重生学神有系统 第267章 数据增广和集成学习

经过仔细斟酌，江寒确定了“优胜者”模型。

随后，他就开始考虑，如何进一步优化这个网络的性能。

像是网络的主体结构、权重初始化方案、数据正则化的方法、激活函数的选择……

这类关键因素，在之前的第一轮训练中，就已经确定了下来，无需再做调整。

但除此之外，可以优化的地方依然不少。

比如稍微改变一点学习率，少量增加或减少隐藏神经元的个数，微调一下MiniBatch的大小……

这些都有可能对网络的性能，产生微妙的影响。

而且，每一点细微的调整，会产生什么样的效果，不实际训练、测试一番，是无法预估的。

所以接下来，江寒将“优胜者”代码复制了100份。

这样一来，这个“优胜者”就拥有了100多个“双胞胎兄弟”，或者说：分身。

随后又采用不同的方案，对这100多份代码，逐一进行了微调。

等到进行完第二轮训练后，就可以从中再次选出唯一优胜者。

有点类似“养蛊”。

策略已经定下了，但江寒并没有马上开启第二轮训练。

他还打算再做一个比较重要的实验，那就是增广数据。

KAGGLE官方提供了20万条训练数据，理论上说，对于绝大多数机器学习模型，这个数据量已经足够使用了。

但谁会嫌弃数据太多呢？

能提供的数据越多，神经网络的学习效果就越好，训练得越充足，性能自然也就越强。

反正一般来说，不会变得更糟。

所以，何乐而不为？

所谓数据增广，就是在不改变图像类别的前提下，人为地扩充数据。

这样做，常常可以有效地提高模型的泛化能力。

常用的数据增广方式，包括水平翻转、旋转、缩放、平移、裁剪、颜色抖动……

当然，也可以将多种操作组合起来，从而获得更多的数据。

例如，同时做小角度的旋转和随机尺度变换，再微调一下像素在HSV颜色空间中的饱和度、亮度、色调……

江寒很快用Python编写了一份代码，对训练数据集进行了扩充。

原本的18万条训练数据，经过各种运算，足足演变出了将近200万条数据。

这样，第二轮训练终于可以开始了。

江寒将100个“优胜者”分身依次启动。

随后，他琢磨了一下，又将刚才排名前15的模型，全都拉了过来。

包括上次排名第一的“书呆子”、排名第三的“黑马中等生”，以及排位在4~15名的“其他学生”。

反正算力够用，索性再给这些准“优秀生”一次机会，看看它们在增广数据集上，又会有怎样的表现。

当然，在开启第二轮训练之前，第一轮训练出来的权重数据，必须先备份一下……

将这里的事情全部处理利索，时间已经接近中午11点。

江寒当下锁门离开，去接夏雨菲放学。

回家之后，又做了一顿丰盛的午饭。

除了正常的两菜一汤，他还额外加了一道“红烧冰岛红极参”，以慰劳自己操劳过度的大脑。

……

下午和晚上，江寒没有出门。

主要在家看书、找资料，学习各种逆向、破解、黑客知识。

想要继续领悟《数字混淆技术》，比较依赖数学水平和逆向技术。

江寒的数学水平已经很不弱了，知识储备不比一般的数学系本科毕业生少，解决问题的能力犹有过之。

但在逆向和黑客技术上，他距离真正的顶级高手，还有不小的差距。

所以，江寒就决定抓紧时间，尽快补上这一课。

学习之余，一有闲暇，就远程登录一下服务器，关注一下神经网络的训练情况。

13日清晨，第二批114个模型，终于全部训练完成。

江寒又去了一次车库，翻阅了一下训练记录，并在这114个神经网络模型上，逐一加载验证集进行测试。

“优胜者”的那100个分身，表现都很不错，其中成绩最好的一个，在训练集和验证集上，准确率都超过了98%。

说实话，如果不经过特别的训练，一般的人类在这个项目上的表现，差不多也就这样了。

毕竟KAGGLE提供的这些数据里，有一些笔迹实在太潦草了。

比如，有好几个图片，江寒怎么看怎么像7，标签上却硬说是1，这怎么破？

此外，江寒还有一个令人欣喜的发现。

使用了扩充数据集，并进行了更高强度的训练之后，“书呆子”在训练集上，成绩再次提高了少许，识别准确率达到了惊人的99.9%；

而且在验证集上的表现，也有了较大幅度的提高，达到了95%的及格线。

“黑马中等生”和原本排名4~15的“普通学生”，这次也有了长足的进步，成绩不比原本的“优胜者”差到哪里去。

所以说，要想提高神经网络的性能，扩充数据规模才是第一秘诀。

不管是人工收集更多数据，还是用数据增广的办法来伪造数据……

接下来就简单了，只要从“优胜者”的100个分身里，挑选出最强的一个，强化训练一番，再稍微打磨一下，就可以提交上去了。

接近99%的识别正确率，说高不高，说低不低。

去年在imagenet举办的世界机器学习大师赛中，冠军是KNN算法的一个变种。

别看那种算法极其简单，一点也不智能，但作者通过巧妙的构思，赫然将识别失误率压缩到了惊人的0.63%！

但那是顶级大能们的竞技场，这次KAGGLE举办的，只是一场业余级别的比赛，参与的大多是民间爱好者。

所以自己手里的这个“最终优胜者”，多了不敢说，前三还是比较稳的。

至于想要夺得冠军，那就需要拼一点运气了。

除非能进一步提高在陌生数据上的准确率，否则能不能力压群雄，还真有点不好说。

毕竟真正的测试集，谁也没见过，会变态到什么程度，江寒也没法预估。

江寒反复分析、测试着已经训练好的几个模型，包括第二轮的“唯一优胜者”，以及进化后的“书呆子”、“中等生”……

忽然，他又有了一个巧妙的发现。

对于那些容易误测的图片，优胜者、书呆子、中等生……它们的判断往往不尽相同。

同样一个图片，比如这个数字“5”，由于书写不规范，极难识别。

有点像6，又有点像s，甚至就算将其当成0，也不会多么违和。

这种无法妥善处理的数据，一般的做法是当做“噪声”，在训练时加以排除。

免得对网络的训练产生干扰，让网络学到错误的“知识”，导致“越学越懵”。

江寒在分析这类疑难图片时，却忽然有了一个奇妙的发现。

对于这样的图片，优胜者偶尔也会识别错误，但神奇的是，书呆子偶尔却可以识别正确。

有些图片书呆子和优胜者都不认识，中等生或者普通学生，反而往往有独到的见解……

然后，这些结构不同的神经网络，它们识别错误的那部分图片，很少出现交集。

也就是说，这些疑难图片之中，绝大多数都会被部分“学生”正确识别，只是大家意见很难统一。

这就有点意思了。

如果能把这十几个神经网络的识别能力结合到一起，岂不是可以进一步提高准确率？

江寒经过仔细思考、认真分析，最后做出了一个大胆的决定。

那就是：集成学习。