模型训练技巧——mixup

论文：https://arxiv.org/abs/1710.09412

代码：https://github.com/facebookresearch/mixup-cifar10

1. 论文核心

Caption

        (xi,yi)和(xj,yj)是从训练数据中随机抽取的两个样本，且λ∈[0,1]。因此，mixup通过结合先验知识，即特征向量的线性插值应导致相关标签的线性插值，来扩展训练分布。mixup仅需要几行代码即可实现，且引入了最小计算开销。

        注意：yi和yj都必须时独热编码的形式。

        通俗理解：将输入的数据进行一定比例的混合，标签以相同比例进行线性组合。

2. 代码实现

def mixup_data(x, y, alpha=0.2, use_cuda=True):
    '''Returns mixed inputs, pairs of targets, and lambda'''
    if alpha > 0:
        lam = np.random.beta(alpha, alpha)
    else:
        lam = 1

    batch_size = x.size()[0]
    if use_cuda:
        index = torch.randperm(batch_size).cuda()
    else:
        index = torch.randperm(batch_size)

    mixed_x = lam * x + (1 - lam) * x[index, :]
    y_a, y_b = y, y[index]
    return mixed_x, y_a, y_b, lam


def mixup_criterion(criterion, pred, y_a, y_b, lam):
    return lam * criterion(pred, y_a) + (1 - lam) * criterion(pred, y_b)


########在train函数中做以下修改，其他地方不做任何修改
    for batch_idx, (inputs, targets) in enumerate(trainloader):
        inputs, targets = inputs.cuda(), targets.cuda()
        inputs, targets_a, targets_b, lam = mixup_data(inputs, targets)
        outputs = net(inputs)
        loss = mixup_criterion(criterion, outputs, targets_a, targets_b, lam)

          可见，mixup实现起来非常简单。博主将该trick融入自己的项目中，如果需要就开启该功能。

3. 实验效果

     

Caption

      可见，用了mixup，在UCI数据集上得到了更低的错误率。当然，作者还做了很多其他实验，这里不再赘述。

 

小结：该trick用几十行代码即可实现，并且丝毫不影响模型识别速度，值得尝试。另外，mixup和label smoothing结合起来使用效果更加。