作者：skura，转载自：AI开发者，源自：Medium
人类并不是完美的，我们经常在编写软件的时候犯错误。有时这些错误很容易找到：你的代码根本不工作，你的应用程序会崩溃。但有些 bug 是隐藏的，很难发现，这使它们更加危险。
在处理深度学习问题时，由于某些不确定性，很容易产生此类错误：很容易看到 web 应用的端点路由请求是否正确，但却不容易检查梯度下降步骤是否正确。然而，在深度学习实践例程中有很多 bug 是可以避免的。
我想和大家分享一下我在过去两年的计算机视觉工作中所发现或产生的错误的一些经验。我在会议上谈到过这个话题，很多人在会后告诉我：「是的，老兄，我也有很多这样的 bug。」我希望我的文章能帮助你避免其中的一些问题。
假设有人在研究关键点检测问题。它们的数据看起来像一对图像和一系列关键点元组，例如 [(0,1),(2,2)]，其中每个关键点是一对 x 和 y 坐标。
让我们对这些数据进行基本的增强：
def flip_img_and_keypoints(img: np.ndarray, kpts:Sequence[Sequence[int]]): img = np.fliplr(img) h, w, *_ = img.shape
kpts = [(y, w - x) for y, x in kpts] return img, kpts
上面的代码看起来很对，是不是？接下来，让我们对它进行可视化：
image = np.ones((10, 10), dtype=np.float32)kpts = [(0, 1), (2, 2)]image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)
img1 = image.copy()
for y, x in kpts: img1[y, x] = 0 img2 = image_flipped.copy()for y, x in kpts_flipped: img2[y, x] = 0_ = plt.imshow(np.hstack((img1, img2)))
这个图是不对称的，看起来很奇怪！如果我们检查极值呢？
image = np.ones((10, 10), dtype=np.float32)kpts = [(0, 0), (1, 1)]
image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)
img1 = image.copy()for y, x in kpts: img1[y, x] = 0
img2 = image_flipped.copy()for y, x in kpts_flipped: img2[y, x] = 0
IndexErrorTraceback (most recent call last)input-5-997162463eae> in <module>8 img2 = image_flipped.copy()9 for y, x in kpts_flipped:IndexError: index 10 is out of bounds for axis 1 with size 10
不好！这是一个典型的错误。正确的代码如下：
def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]): img = np.fliplr(img) h, w, *_ = img.shape kpts = [(y, w - x - 1) for y, x in kpts] return img, kpts
我们已经通过可视化检测到这个问题，但是，使用 x=0 点的单元测试也会有帮助。一个有趣的事实是：我们团队三个人（包括我自己）各自独立地犯了几乎相同的错误。
即使上述函数已修复，也存在危险。接下来更多的是关于语义，而不仅仅是一段代码。
假设一个人需要用两只手掌来增强图像。看起来很安全——手在左右翻转后会还是手。
但是等等！我们对关键点语义一无所知。如果关键点真的是这样的意思呢：
kpts = [(20, 20), (20, 200), ...]
这意味着增强实际上改变了语义：left 变为 right，right 变为 left，但是我们不交换数组中的 keypoints 索引。它会给训练带来巨大的噪音和更糟糕的指标。
这里应该吸取教训：
熟悉语义分割问题的人可能知道 IoU (intersection over union)度量。不幸的是，我们不能直接用 SGD 来优化它，所以一个常见的技巧是用可微损失函数来逼近它。让我们编写相关代码！
def iou_continuous_loss(y_pred, y_true): eps = 1e-6
def _sum(x): return x.sum(-1).sum(-1) numerator = (_sum(y_true * y_pred) + eps) denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2) -_sum(y_true * y_pred) + eps) return (numerator / denominator).mean()
看起来很不错，让我们做一个小小的检查：
In [3]: ones = np.ones((1, 3, 10, 10)) ...: x1 = iou_continuous_loss(ones * 0.01, ones) ...: x2 = iou_continuous_loss(ones * 0.99, ones)
In [4]: x1, x2Out[4]: (0.010099999897990103, 0.9998990001020204)
在 x1 中，我们计算了与标准答案完全不同的损失，x2 是非常接近标准答案的函数的结果。我们预计 x1 会很大，因为预测结果并不好，x2 应该接近于零。这其中发生了什么？
上面的函数是度量的一个很好的近似。度量不是损失：它通常越高越好。因为我们要用 SGD 把损失降到最低，我们真的应该采用用相反的方法：
def iou_continuous(y_pred, y_true): eps = 1e-6 def _sum(x): return x.sum(-1).sum(-1) numerator = (_sum(y_true * y_pred) + eps) denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)- _sum(y_true * y_pred) + eps) return (numerator / denominator).mean()
def iou_continuous_loss(y_pred, y_true): return 1 - iou_continuous(y_pred, y_true)
这些问题可以通过两种方式确定：
假设一个人有一个预先训练好的模型，并且是一个时序模型。我们基于 ceevee api 编写预测类。
from ceevee.base import AbstractPredictorclass MySuperPredictor(AbstractPredictor): def __init__(self, weights_path: str, ): super().__init__() self.model = self._load_model(weights_path=weights_path) def process(self, x, *kw): with torch.no_grad(): res = self.model(x) return res
@staticmethod def
_load_model(weights_path): model = ModelClass() weights = torch.load(weights_path, map_location='cpu') model.load_state_dict(weights) return model
这个代码正确吗？也许吧！对某些模型来说确实是正确的。例如，当模型没有规范层时，例如 torch.nn.BatchNorm2d；或者当模型需要为每个图像使用实际的 norm 统计信息时（例如，许多基于 pix2pix 的架构需要它）。
但是对于大多数计算机视觉应用程序来说，代码遗漏了一些重要的东西：切换到评估模式。
如果试图将动态 pytorch 图转换为静态 pytorch 图，则很容易识别此问题。有一个 torch.jit 模块是用于这种转换的。
一个简单的修复：
In [4]: model = nn.Sequential( ...: nn.Linear(10, 10), ...: nn.Dropout(.5) ...: ) ...: ...: traced_model = torch.jit.trace(model.eval(), torch.rand(10))
此时，torch.jit.trace 多次运行模型并比较结果。这里看起来似乎没有区别。然而，这里的 torch.jit.trace 不是万能的。这是一种应该知道并记住的细微差别。
很多东西都是成对存在的：训练和验证、宽度和高度、纬度和经度……如果仔细阅读，你可以很容易地发现由一对成员之间的复制粘贴引起的错误：
def make_dataloaders(train_cfg, val_cfg, batch_size): train = Dataset.from_config(train_cfg) val = Dataset.from_config(val_cfg) shared_params = {'batch_size': batch_size, 'shuffle': True,'num_workers': cpu_count()} train = DataLoader(train, **shared_params) val = DataLoader(train, **shared_params) return train, val
不仅仅是我犯了愚蠢的错误。在流行库中也有类似的错误。
def
apply_to_keypoint(self, keypoint, crop_height=0, crop_width=0, h_start=0, w_start= 0, rows=0, cols=0, **params): keypoint = F.keypoint_random_crop(keypoint, crop_height, crop_width, h_start, w_start, rows, cols) scale_x = self.width / crop_height scale_y = self.height / crop_height keypoint = F.keypoint_scale(keypoint, scale_x, scale_y) return keypoint
别担心，这个错误已经修复了。如何避免？不要复制粘贴代码，尽量以不要以复制粘贴的方式进行编码。
datasets = []data_a = get_dataset(MyDataset(config['dataset_a']), config['shared_param'], param_a) datasets.append(data_a)data_b = get_dataset(MyDataset(config['dataset_b']), config['shared_param'], param_b) datasets.append(data_b)
datasets = []for name, param in zip(('dataset_a', 'dataset_b'), (param_a, param_b), ): datasets.append(get_dataset(MyDataset(config[name]), config['shared_param'], param))
让我们再做一个增强：
def add_noise(img: np.ndarray) -> np.ndarray: mask = np.random.rand(*img.shape) + .5 img = img.astype('float32') * mask return img.astype('uint8')
图像已经改变了。这是我们期望的吗？嗯，也许改变太多了。这里有一个危险的操作：将 float32 转到 uint8。这可能导致溢出:
def add_noise(img: np.ndarray) -> np.ndarray: mask = np.random.rand(*img.shape) + .5 img = img.astype('float32') * mask return np.clip(img, 0
, 255).astype('uint8')
img = add_noise(cv2.imread('two_hands.jpg')[:, :, ::-1]) _ = plt.imshow(img)
看起来好多了，是吧？顺便说一句，还有一个方法可以避免这个问题：不要重新发明轮子，可以在前人的基础上，修改代码。例如：albumentations.augmentations.transforms.GaussNoise 。我又产生了同样来源的 bug。
这里出了什么问题？首先，使用三次插值调整 mask 的大小是个坏主意。将 float32 转换为 uint8 也存在同样的问题：三次插值可以输出大于输入的值，并导致溢出。
我发现了这个问题。在你的循环里面有断言也是一个好主意。
假设需要对全卷积网络（如语义分割问题）和一幅巨大的图像进行处理。图像太大了，你没有机会把它放进你的 gpu 中——例如，它可以是一个医学或卫星图像。
在这种情况下，可以将图像分割成一个网格，独立地对每一块进行推理，最后合并。另外，一些预测交集可以用来平滑边界附近的伪影。
我们来编码吧！
from tqdm import tqdmclass GridPredictor:""" This class can be used to predict a segmentation mask for the big image when you have GPU memory limitation """ def __init__(self, predictor: AbstractPredictor, size: int, stride: Optional[int] = None): self.predictor = predictor self.size = size self.stride = stride if stride is not None else size // 2
def __call__(self, x: np.ndarray): h, w, _ = x.shape mask = np.zeros((h, w, 1), dtype='float32') weights = mask.copy() for i in tqdm(range(0, h - 1, self.stride)): for
j in range(0, w - 1, self.stride): 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
有一个符号输入错误，代码片段足够大，因此可以很容易地找到它。我怀疑仅仅通过代码就可以快速识别它，很容易检查代码是否正确：
class Model(nn.Module): def forward(self, x): return x.mean(axis=-1) model = Model()grid_predictor = GridPredictor(model, size=128, stride=64)
simple_pred = np.expand_dims(model(img), -1)grid_pred = grid_predictor(img)np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)
调用方法的正确版本如下：
def __call__(self, x: np.ndarray):
h, w, _ = x.shape mask = np.zeros((h, w, 1), dtype='float32') weights = mask.copy()
for i in tqdm(range(0, h - 1, self.stride)): for j in range(0, w - 1, self.stride): 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
如果你仍然没有看出问题所在，请注意线宽 [a:b，c:d，：]+=1。
当一个人需要进行迁移学习时，通常最好像训练 ImageNet 时那样对图像进行标准化。
让我们使用我们已经熟悉的 albumentations 库。
from albumentations import Normalizenorm = Normalize()img = cv2.imread('img_small.jpg')mask = cv2.imread('mask_small.png', cv2.IMREAD_GRAYSCALE)mask = np.expand_dims(mask, -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使其过拟合某一张图像了——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，但交叉熵的损失值预计不会是 -300。这是怎么了？图像的标准化效果很好，需要手动将其缩放到 [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)
训练循环中一个简单的断言（例如 assert mask.max（）<=1）会很快检测到问题。同样，单元测试也可以检测到问题。
总而言之：
原文链接：
https://medium.com/@arseny_info/8-deep-learning-computer-vision-bugs-and-how-i-could-have-avoided-them-d40b0e4b1da
声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
- 机器学习交流qq群955171419，加入微信群请扫码
