再读autoaug

目录

• 再读autoaug
  • 算法总览
  • 关于operation的类型及搜索空间
  • 实验step
    • cifar
    • svhn
    • imagenet数
• 加速的策略

再读autoaug

算法总览

• 使用RNN做controller，并且每次采样得到一个policy \(S\)，其中\(S\)包括使用哪种operation（数据增强操作），幅度是多少，以及应用的概率

• 用validation上的精度\(R\)作为reward

• 作者的搜索空间定为

  • policy 由5种sub-policy组成
  • 每个sub-policy由2种图像的操作方式（operation）组成
  • 每种操作方式有两个参数，一个是应用这个操作的概率，另外一个是这个操作的幅度

在validation搜索到的policy，在训练阶段使用其进行数据增强。

• 对于一个train batch的每一张图片，都从5中sub-policy随机的选取一个sub-policy对其进行增强，相当于是有一定概率的应用两次不同类型的operation
• 一旦选取某个sub-policy，应用两个operation都是一定概率的，所以对于同一张图片，两次选取同一个sub-policy也可能得到不一样的结果（作者说增大随机性）
• 但是一旦选取了某个sub-policy，并且也一定会用到两个operation的话，则两个operation的幅度是一定的。所以对于同一张图片，从5个policies中选取同一个sub-policy了的话，并且已经确定是否应用某个operation，则得到的结果是一样的

下图是一个范例

关于operation的类型及搜索空间

作者一共选取16种operation类型（旋转，平移，色彩锐化啥的），每个operation的幅度都在一定范围内变化，作者将其幅度均匀地分成10个不同的离散候选值。对于应用这个操作的概率作者均匀地分为了11份。所以对于一个sub-policy，其搜索空间为

\[(16\times10\times 11)^2 \]

注意作者假设每个sub-policy中的每个operation都是独立的，有可能sub-policy中的两个operation是一样的类型。概率从0-1，分成11份，所以有可能某个operation是一直不用（概率为0）或者一直用的（概率为1）。

而5个这样的sub-policy构成一个policy，则每个sub-policy都是独立的话，则搜索空间为

\[(16\times 10\times 11)^{2\times 5}\approx 2.9\times10^{32} \]

搜索空间还是挺大的。

值得注意的是，作者在论文中提到，在每个dataset上，controller大约采样15000 policies。其实不太明白这里的意思具体是什么，假设这个数量和validation有关的，这种不完备的采样，是否有意义？或者说这种不去遍布整个搜索空间的采样，可以得到不错的结果。

实验step

cifar

作者说在大样本和少样本上的不影响搜索的结果，所以cifar10的train dataset减少到了4000,这也是一种训练省时的策略，但是前提是真的如作者说的这样，

We find that for a fixed amount of training time, it is more useful to allow child models to train for more epochs rather than train for fewer epochs with more training data.

作者称减少后的cifar为reduced-cifar10。

在reduced-cifar10上搜索到的策略，作者将其应用到了之后所有的cifar数据的训练上(cifar10,cifar100,reduced-cifar10).

作者实际实验的时候选取了最好的5个policy，所以一共是25个sub-policy。

baseline是作者对数据归一化，50%的概率flip， random crop， zero padding

svhn

svhn包含73257张训练图片，作者从中选取了1000用于训练，作者这么选取的原因如上

imagenet数

训练集包含6000张图片，120个class，每个类50张图片，搜到的结果迁移到完整的Imagenet数据集上使用

---

加速的策略

• 采样到的policy比较少，从\(2.9\times10^{32}\)采样得到15000中策略。
• 在reduced上的小数据集上进行训练，在大数据集上进行full train。