multi-label-classification

基于tf.keras，实现多标签分类CNN模型。

如何使用

快速上手

1. run.py同目录下新建 logs文件夹，存放日志文件；训练完毕会出现models文件夹，存放模型；
2. 查看configs.py并进行修改，此为参数配置文件；
3. 实际用自己的数据训练时，可能需要执行以下utils/check_label_file.py，确保标签文件中的图片真实可用；
4. 执行python run.py，会根据配置文件configs.py进行训练/测试/模型转换等。

学习掌握

1. 先看README.md;
2. 再看1_learning_note下的note；
3. 看multi_label下的trainer.py里的__init__函数，把整体模型串起来；
4. 看run.py文件，结合着看configs.py。

目录结构

• A_learning_notes: README后，先查看本部分了解本项目大致结构；
• backbone: 模型的骨干网络脚本；
• dataset: 数据集构造脚本；
  • dataset_util.py: 使用tf.image API进行图像数据增强，然后用tf.data进行数据集构建；
  • file_util.py: 以txt标签文件的形式，构造tf.data数据集用于训练；
  • tfrecord_util.py: 读取txt标签文件，写tfrecord，然后读取tfrecord为数据集用于训练；
• images: 项目图片；
• logs: 存放训练过程中的日志文件和tensorboard文件（当前可能不存在）；
• models: 存放训练好的模型文件（当前可能不存在）；
• multi_label: 多标签分类模型构建脚本；
  • classifier_loss.py: 多标签分类的损失函数，包含多种损失函数：focal loss、GHM等；
  • classifier_model.py: 多标签分类模型，负责调用backbone里的骨干网络和本脚本中的多标签head组成整体模型；
  • train.py: 模型训练接口，集成模型构建/编译/训练/debug/预测、数据集构建等功能；
• utils: 一些工具脚本；
  • generate_txt: 扫描指定路径下的图片数据，生成训练、测试等label.txt（根据实际项目而定，当前可能不存在）；
  • check_label_file.py: 在训练前检查训练集，确保标签文件中的图片真实可用；
  • draw_tools.py: 模型训练完进行测试时，绘制每个类别的混淆图；
  • logger_callback.py: 日志打印的keras回调函数；
  • radam.py: RAdam算法的tf.keras优化器实现；
• configs.py: 配置文件；
• run.py: 启动脚本；

算法说明

在多标签多分类模型基础上，添加功能：

• loss函数改造：

  • label smoothing: 标签平滑。
  • focal loss: 给每个样本的分类loss增加一个因子项，降低分类误差小的样本的影响，解决难易样本问题。

  

  • gradient harmonizing mechanism (GHM): 根据样本梯度密度曲线（这里的梯度是梯度范数，并且不是所有网络参数的梯度，而是最后一层的回传梯度）， 取反得到梯度密度调和参数（和平衡多类别数据集一个意思，只不过这里不是按类别来平衡，而是按梯度区间来平衡）， 再乘以梯度以调整梯度贡献曲线，从而降低高密度区域的梯度贡献比例，提升低密度区域的梯度贡献比例。

  

  原论文insight： 对网络训练而言，梯度是最重要的东西，而网络训练不好，也是因为梯度没调节好。 focal loss认为前背景不平衡问题，本质为难易样本不平衡问题，从而调节样本的梯度贡献，一定程度上解决了背景问题。 作者认为，类别不平衡、难易样本不平衡，造成的本质驱动是梯度不平衡。 然后通过绘制训练好的模型在样本空间上的梯度分布曲线，发现小梯度和大梯度都是高密度区域， （作者认为小梯度对应易学习样本，大密度对应异常样本）； 然后绘制正常loss和focal loss梯度贡献曲线，发现正常loss中，高密度区域的梯度贡献度很高， 而focal loss中，小梯度的高密度区域被因子项惩罚而降低梯度贡献度， 但大梯度的高密度区域的梯度贡献度依然很高。 作者认为focal loss平衡了一部分梯度贡献度，所以使得训练低密度的中间梯度的梯度贡献度影响提升， 提升了算法性能；同时，认为focal loss并没有从本质出发，所以还有残留问题（异常样本大梯度的高密度区域）。 然后提出了GHM，从梯度分布和梯度贡献角度出发，提升网络训练效果。

• 分离conv层的权重衰减项$\lambda_{conv}$ 和 BN层gamma的权重衰减项$\lambda_{gamma}$

缓解过拟合/标注错误/样本错误（稍微按效果分先后，按实际数据来）

1. 一定程度提高BN层中gamma的L2权重衰减，conv层的L2权重衰减可以维持不变，去掉bias；[1,2,3]
2. 加大batch，然后要用warmup（我一开始用adam+warmup,后面用radam+warmup, radam中用动态学习率）；[4,5,6]
3. 白化预处理；
4. 修改网络结构，resnext18相比resnet18多了结构正则的作用，效果好些；
5. 剪枝，其实和修改网络结构一个道理，只不过剪枝可以类似NAS自动找到更好的sub-network(网络结构)；[3,9,10]
6. GHM损失函数；[8]
7. 数据增强（增加数据量）；
8. label smoothing:；[7]

TIPS：其他试过但基本无效的手段包括： 继续加大weight decay权重，BN层的gamma不加weight decay，BN层的beta加weight decay， 全连接层加dropout，focal loss，从Adam训练改为SGDM，加warmup。

[1] L2 Regularization versus Batch and Weight Normalization
[2] Towards Understanding Regularization in Batch Normalization
[3] Learning Efficient Convolutional Networks through Network Slimming
[4] Accurate, Large Minibatch SGD：Training ImageNet in 1 Hour
[5] Large Batch Training of Convolutional Networks
[6] On the Variance of the Adaptive Learning Rate and Beyond
[7] Rethinking the inception architecture for computer vision
[8] Gradient Harmonized Single-stage Detector
[9] Data-Driven Sparse Structure Selection for Deep Neural Networks
[10] Rethinking the Value of Network Pruning

TODO

1. 解决类别不平衡的做法：
   • reweighted sample从而实现self-balance（参考sklearn）；
   • 先用训练一个网络然后采样平衡数据集做finetune。
2. 使用GAN生成数据，进行数据增强；
3. Handwriting Recognition in Low-resource Scripts Using Adversarial Learning。