GridSearchCV 与 ImageDataGenerator 结合是否可行且值得推荐？

数据挖掘 喀拉斯 scikit-学习 网格搜索 数据增强 网格搜索
2021-09-21 06:51:46

我想通过结合使用 GridSearchCV（Scikit-Learn）和数据增强（来自 Keras 的 ImageDataGenerator）来优化 CNN 架构的一些超参数。但是，GridSearchCV 仅提供 fit 函数，而不提供 fit_generator 函数。是否甚至建议使用 GridSearchCV 进行数据增强？ImageDataGenerator 的参数已经固定，不应更改。首先通过网格搜索确定超参数而不进行数据增强，仅对最终模型使用数据增强会更好吗？

对于这个话题你有什么看法？你有什么经验？

1个回答

正如所承诺的，在这里您可以找到一个示例，说明如何将 kfold 交叉验证应用于定义的卷积神经网络模型，应用于增强数据集。你可以在这里找到代码作为一个简单的要点 它是按如下方式完成的：

  1. 对于 CIFAR10 图像数据集的子集，为每个原始图像生成 3 个增强图像（通过应用水平翻转），因此我们最终应该将增强数据集中的最终图像数量作为：“原始数据集中的图像数量”* 3。

在此处输入图像描述

  1. 检查构建的增强数据集是否确实具有新的预期图像数量。我们刚刚创建了增强数据集，还没有拟合步骤

在此处输入图像描述

  1. 对几个超参数组合的增强数据集应用 kfold 交叉验证；在这个例子中，已经尝试了 3 对“学习率-动量”。它是通过通常的“适合”方法制作的： 在此处输入图像描述 在此处输入图像描述

  2. 在数据框中显示结果

在此处输入图像描述

这样，我们通过 kfold 交叉验证应用了超参数化；不是完整的网格搜索，但只有 3 对 hiperparams，但想法是一样的，不依赖于 fit_generator 方法，而是让自己在生成的增强数据集上进行 k 折叠交叉验证。我们还可以在此交叉验证中包含其他数据增强策略。

其它你可能感兴趣的问题
上一篇基于多个帖子的用户分析 下一篇当模型已经足够小时减少 GPU 内存使用