使用数据增强技术提升模型泛化能力
在《提高模型性能，你可以尝试这几招…》一文中，我们给出了几种提高模型性能的方法，但这篇文章是在训练数据集不变的前提下提出的优化方案。其实对于深度学习而言，数据量的多寡通常对模型性能的影响更大，所以扩充数据规模一般情况是一个非常有效的方法。
对于Google、Facebook来说，收集几百万张图片，训练超大规模的深度学习模型，自然不在话下。但是对于个人或者小型企业而言，收集现实世界的数据，特别是带标签的数据，将是一件非常费时费力的事。本文探讨一种技术，在现有数据集的基础上，进行数据增强（data augmentation），增加参与模型训练的数据量，从而提升模型的性能。
什么是数据增强
所谓数据增强，就是采用在原有数据上随机增加抖动和扰动，从而生成新的训练样本，新样本的标签和原始数据相同。这个也很好理解，对于一张标签为“狗”的图片，做一定的模糊、裁剪、变形等处理，并不会改变这张图片的类别。数据增强也不仅局限于图片分类应用，比如有如下图所示的数据，数据满足正态分布：
我们在数据集的基础上，增加一些扰动处理，数据分布如下：
数据就在原来的基础上增加了几倍，但整体上仍然满足正态分布。有人可能会说，这样的出来的模型不是没有原来精确了吗？考虑到现实世界的复杂性，我们采集到的数据很难完全满足正态分布，所以这样增加数据扰动，不仅不会降低模型的精确度，然而增强了泛化能力。
对于图片数据而言，能够做的数据增强的方法有很多，通常的方法是：
- 平移
- 旋转
- 缩放
- 裁剪
- 切变(shearing)
- 水平/垂直翻转
- …
上面几种方法，可能切变(shearing)比较难以理解，看一张图就明白了：
我们要亲自编写这些数据增强算法吗？通常不需要，比如keras就提供了批量处理图片变形的方法。
keras中的数据增强方法
keras中提供了ImageDataGenerator类，其构造方法如下：
ImageDataGenerator(featurewise_center=False,
samplewise_center=False,
featurewise_std_normalization = False,
samplewise_std_normalization = False,
zca_whitening = False,
rotation_range = 0.,
width_shift_range = 0.,
height_shift_range = 0.,
shear_range = 0.,
zoom_range = 0.,
channel_shift_range = 0.,
fill_mode = 'nearest',
cval = 0.0,
horizontal_flip = False,
vertical_flip = False,
rescale = None,
preprocessing_function = None,
data_format = K.image_data_format(),
)参数很多，常用的参数有：
- rotation_range： 控制随机的度数范围旋转。
- width_shift_range和height_shift_range： 分别用于水平和垂直移位。
- zoom_range： 根据[1 - zoom_range，1 + zoom_range]范围均匀将图像“放大”或“缩小”。
- horizontal_flip：控制是否水平翻转。
完整的参数说明请参考keras文档。
下面一段代码将1张给定的图片扩充为10张，当然你还可以扩充更多：
image = load_img(args["image"])
image = img_to_array(image)
image = np.expand_dims(image, axis=0)aug = ImageDataGenerator(rotation_range=30, width_shift_range=0.1, height_shift_range=0.1,
shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode="nearest")aug.fit(image)imageGen = aug.flow(image, batch_size=1, save_to_dir=args["output"], save_prefix=args["prefix"],
save_format="jpeg")total = 0
for image in imageGen:
# increment out counter
total += 1 if total == 10:
break需要指出的是，上述代码的最后一个迭代是必须的，否在不会在output目录下生成图片，另外output目录必须存在，否则会出现一下错误：
Traceback (most recent call last):
File "augmentation_demo.py", line 35, in <module>
for image in imageGen:
File "/data/ai/anaconda3/envs/keras/lib/python3.6/site-packages/keras_preprocessing/image.py", line 1526, in __next__
return self.next(*args, **kwargs)
File "/data/ai/anaconda3/envs/keras/lib/python3.6/site-packages/keras_preprocessing/image.py", line 1704, in next
return self._get_batches_of_transformed_samples(index_array)
File "/data/ai/anaconda3/envs/keras/lib/python3.6/site-packages/keras_preprocessing/image.py", line 1681, in _get_batches_of_transformed_samples
img.save(os.path.join(self.save_to_dir, fname))
File "/data/ai/anaconda3/envs/keras/lib/python3.6/site-packages/PIL/Image.py", line 1947, in save
fp = builtins.open(filename, "w+b")
FileNotFoundError: [Errno 2] No such file or directory: 'output/image_0_1091.jpeg'如下一张狗狗的图片：
经过数据增强技术处理之后，可以得到如下10张形态稍微不同的狗狗的图片，这相当于在原有数据集上增加了10倍的数据，其实我们还可以扩充得最多：
数据增强之后的比较
我们以MiniVGGNet模型为例，说明在其在17flowers数据集上进行训练的效果。17flowers是一个非常小的数据集，包含17中品类的花卉图案，每个品类包含80张图片，这对于深度学习而言，数据量实在是太小了。一般而言，要让深度学习模型有一定的精确度，每个类别的图片至少需要1000～5000张。这样的数据集可以很好的说明数据增强技术的必要性。
从网站上下载的17flowers数据，所有的图片都放在一个目录下，而我们通常训练时的目录结构为：
{类别名}/{图片文件}为此我写了一个organize_flowers17.py脚本。
在没有使用数据增强的情况下，在训练数据集和验证数据集上精度、损失随着训练轮次的变化曲线图：
可以看到，大约经过十几轮的训练，在训练数据集上的准确率很快就达到了接近100%，然而在验证数据集上的准确率却无法再上升，只能达到60%左右。这个图可以明显的看出模型出现了非常严重的过拟合。
如果采用数据增强技术呢？曲线图如下：
从图中可以看到，虽然在训练数据集上的准确率有所下降，但在验证数据集上的准确率有比较明显的提升，说明模型的泛化能力有所增强。
也许在我们看来，准确率从60%多增加到70%，只有10%的提升，并不是什么了不得的成绩。但要考虑到我们采用的数据集样本数量实在是太少，能够达到这样的提升已经是非常难得，在实际项目中，有时为了提升1%的准确率，都会花费不少的功夫。
总结
数据增强技术在一定程度上能够提高模型的泛化能力，减少过拟合，但在实际中，我们如果能够收集到更多真实的数据，还是要尽量使用真实数据。另外，数据增强只需应用于训练数据集，验证集上则不需要，毕竟我们希望在验证集上测试真实数据的准确。
以上实例均有完整的代码，点击阅读原文，跳转到我在github上建的示例代码。
另外，我在阅读《Deep Learning for Computer Vision with Python》这本书，在微信公众号后台回复“计算机视觉”关键字，可以免费下载这本书的电子版。