Press "Enter" to skip to content

新的正则化神器:DropBlock(Tensorflow实践)

先上结论:

 

在我们测试mnist上,3层卷积+dropXXX,所有参数均为改变的情况下,可以提升mnist准确率1~2点;同样在近期的实际业务中,也取得了相当不错的结果,模型鲁棒性有明显提升

 

十月份天气凉爽的时候,网上出现了一篇挺有意思的文章: https://arxiv.org/pdf/1810.12890.pdf

 

Google Brain提出了一种新的正则化方法:DropBlock,一图说明原理:

图片来自于原文

我们平时使用更多的是经典的dropout,即在像素级别上加入一个 bernoulli
噪声信息,mask部分feature map的像素点(图b),但实际上我们的语义信息是完整、连续的,我们更希望其mask能够彻底block到某一块语义信息,从而提升其他部分的信息权重,实现模型正则约束泛化(图c),这样就诞生了 DropBlock。

 

这倒是让我想起来之前很推崇的一个数据增强方法: random erase

random erase方法

其思路是在原图上进行随机遮盖,从而实现模型能力泛化,而本质上input image就是第一层feature map,所以DropBlock可以认为是广义的Random Erase

 

实际上从之前的一些类似drop策略的文章上我们可以列举出一堆方法,作者也是在文章中一一提出并做了相应的策略比较:

Dropout:完全随机扔
SpatialDropout:按channel随机扔
Stochastic Depth:按res block随机扔
DropBlock:每个feature map上按spatial块随机扔
Cutout:在input层按spatial块随机扔
DropConnect:只在连接处扔,神经元不扔。

文章中,作者也是没有随意进行处理,而是选择有效的区域进行mask:

 

而在效果提升方面,作者对比了其性能效果:

ResNet-50分类效果

为了解释相应的网络泛化能力,模型还对图像做了响应区域解释:

 

可以明显发现,加入DropBlock之后,有效响应明显增强(但同时可能引来未可知的噪声?)

 

在目标检测方面,模型性能也同样有较好的性能提升:

 

分割效果:

 

(当然了fine-tune还是优秀)

 

我们自己亲自做一下实验:

 

这里,我们采用mnist来测试,非常简单的网络对飙dropout:

 

首先使用 tensorflow.keras.layer
做一个实现:

 

import tensorflow as tf
from tensorflow.python.keras import backend as K
class DropBlock(tf.keras.layers.Layer):
    def __init__(self, keep_prob, block_size, **kwargs):
        super(DropBlock, self).__init__(**kwargs)
        self.keep_prob = float(keep_prob) if isinstance(keep_prob, int) else keep_prob
        self.block_size = int(block_size)
    def compute_output_shape(self, input_shape):
        return input_shape
    def build(self, input_shape):
        _, self.h, self.w, self.channel = input_shape.as_list()
        # pad the mask
        bottom = right = (self.block_size - 1) // 2
        top = left = (self.block_size - 1) - bottom
        self.padding = [[0, 0], [top, bottom], [left, right], [0, 0]]
        self.set_keep_prob()
        super(DropBlock, self).build(input_shape)
    def call(self, inputs, training=None, scale=True, **kwargs):
        def drop():
            mask = self._create_mask(tf.shape(inputs))
            output = inputs * mask
            output = tf.cond(tf.constant(scale, dtype=tf.bool) if isinstance(scale, bool) else scale,
                             true_fn=lambda: output * tf.to_float(tf.size(mask)) / tf.reduce_sum(mask),
                             false_fn=lambda: output)
            return output
        if training is None:
            training = K.learning_phase()
        output = tf.cond(tf.logical_or(tf.logical_not(training), tf.equal(self.keep_prob, 1.0)),
                         true_fn=lambda: inputs,
                         false_fn=drop)
        return output
    def set_keep_prob(self, keep_prob=None):
        """This method only supports Eager Execution"""
        if keep_prob is not None:
            self.keep_prob = keep_prob
        w, h = tf.to_float(self.w), tf.to_float(self.h)
        self.gamma = (1. - self.keep_prob) * (w * h) / (self.block_size ** 2) / \
                     ((w - self.block_size + 1) * (h - self.block_size + 1))
    def _create_mask(self, input_shape):
        sampling_mask_shape = tf.stack([input_shape[0],
                                       self.h - self.block_size + 1,
                                       self.w - self.block_size + 1,
                                       self.channel])
        mask = DropBlock._bernoulli(sampling_mask_shape, self.gamma)
        mask = tf.pad(mask, self.padding)
        mask = tf.nn.max_pool(mask, [1, self.block_size, self.block_size, 1], [1, 1, 1, 1], 'SAME')
        mask = 1 - mask
        return mask
    @staticmethod
    def _bernoulli(shape, mean):
        return tf.nn.relu(tf.sign(mean - tf.random_uniform(shape, minval=0, maxval=1, dtype=tf.float32)))

 

首先做个脚本测试:

 

import tensorflow as tf
from dropblock import DropBlock
tf.enable_eager_execution()
# only support `channels_last` data format
a = tf.ones([2, 10, 10, 3])
drop_block = DropBlock(keep_prob=0.8, block_size=3)
b = drop_block(a, training=True)
print(a[0, :, :, 0])
print(b[0, :, :, 0])

image.png

结果也很明显,可以实现dropblock

 

结论:

 

在我们测试mnist上,3层卷积+dropXXX,所有参数均为改变的情况下,可以提升mnist准确率1~2点;同样在近些填的实际业务中,也取得了相当不错的结果,模型鲁棒性有明显提升。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注