PyTorch 卷积网络正则化 DropBlock

论文地址：https://arxiv.org/pdf/1810.12890.pdf

论文概要

DropBlock 是一种类似于 dropout 的简单方法，它与 dropout 的主要区别在于，它从层的特征图中抹除连续区域，而不是抹除独立的随机单元

类似地，DropBlock 通过随机地置零网络的响应，实现了通道之间的解耦，缓解了网络的过拟合现象

这个算法的伪代码如下：

• x：特征图，shape 为 [bs, ch, h, w]
• block_size：抹除连续区域的尺寸
• γ：伯努利分布的均值，用于选中抹除区域的中心点
• trainning：布尔类型，表明是 train 模式还是 eval 模式

def DropBlock(x, block_size, γ, trainning):
    if trainning:
        # 选中要抹除区域的中心点
        del_mask = bernoulli(x, γ)
        # 抹除相应的区域
        x = set_zero(x, del_mask, block_size)
        # 特征图标准化
        keep_mask = 1 - del_mask
        x *= count(x) / count_1(keep_mask)
        return x
    # eval 模式下没有任何行为
    return x

但是在具体实现的过程中，还有很多需要补充的细节

γ 的确定是通过 keep_prob 参数确定的，keep_prob 表示激活单元 (即输出大于 0) 被保留的概率，feat_size 为特征图的尺寸：

因为在训练刚开始时，较小的 keep_prob 会影响网络的收敛，所以令 keep_prob 从 1.0 渐渐降为 0.9

从实验结果可以看到，ResNet-50 在使用了 DropBlock 后在验证集上的准确率有一定的提升

以下是不同的 DropBlock 追加位置、不同的处理方法、不同 block_size 对验证集准确率的影响：

• 按行：DropBlock 追加在 ResNet-50 的第 4 组卷积后；DropBlock 追加在 ResNet-50 的第3、第 4 组卷积后
• 按列：只在卷积分支上追加；在卷积分支、残差连接分支上追加；在卷积分支、残差连接分支上追加，并使用 keep_prob 衰减的方法

在论文中，最优的超参数是 block_size = 7, keep_prob = 0.9，但实际使用时仍需要根据 Loss 的变化情况做出调整

DropBlock 复现

在实现 DropBlock 时，有以下几个细节：

• keep_prob 是动态变化的，令每次 eval 时进行更新
• 抹除区域的中心点是在激活单元中选择的 (即输出大于 0)，令 1 表示被选中，使用 max_pool2d 可以实现连续区域的选中，以生成 del_mask
• 标准化系数 = 原图面积 / 保留区域面积，但是保留区域面积的精确值计算会耗费较多的算力，减缓网络训练的速度，所以标准化系数使用 1 / keep_prob 近似替代

class DropBlock(nn.Module):
    ''' block_size: 抹除区域的尺寸
        keep_prob_init: keep_prob 的初始值
        keep_prob_tar: keep_prob 的目标值
        keep_prob_decay: keep_prob 的衰减速度'''

    def __init__(self, block_size=5, keep_prob_init=1.,
                 keep_prob_tar=0.9, keep_prob_decay=1e-2):
        super(DropBlock, self).__init__()
        self.block_size = block_size
        assert self.block_size & 1, 'block_size 需为奇数'
        # keep_prob 相关参数
        self.keep_prob = keep_prob_init
        self._keep_prob_tar = keep_prob_tar
        self._keep_prob_decay = keep_prob_decay
        # 伯努利分布的均值
        self.gamma = None

    def forward(self, x):
        # 训练模式下
        if self.training:
            *bs_ch, height, width = x.shape
            square = height * width
            # 当 γ 为空时设置
            if self.gamma is None:
                self.gamma = (1 - self.keep_prob) * square / self.block_size ** 2
                for f_size in (height, width):
                    self.gamma /= f_size - self.block_size + 1
            # 在激活区域中, 选择抹除区域的中心点
            del_mask = torch.bernoulli((x > 0) * self.gamma)
            keep_mask = 1 - torch.max_pool2d(
                del_mask, kernel_size=self.block_size,
                stride=1, padding=self.block_size // 2
            )
            # 特征图标准化
            # gain = square / keep_mask.view(*bs_ch, -1).sum(2).view(*bs_ch, 1, 1)
            return keep_mask * x / self.keep_prob
        # 验证模式下, 更新参数
        self.keep_prob = max([
            self._keep_prob_tar,
            self.keep_prob * (1 - self._keep_prob_decay)
        ])
        self.gamma = None
        return x

代码测试

# 利用灰度图, 将亮度低的像素置为 0
image = cv.imread('YouXiZi.jpg')
mask = cv.cvtColor(image, cv.COLOR_BGR2GRAY) > 100
for i in range(3):
    image[..., i] *= mask

cv.imshow('debug', image)
cv.waitKey(0)

# 转化为 tensor, 使用 DropBlock
tensor = tf.ToTensor()(image)
db = DropBlock(block_size=31, keep_prob_init=0.9)
image = db(tensor.unsqueeze(0))[0]
image = image.permute(1, 2, 0).data.numpy()

cv.imshow('debug', image)
cv.waitKey(0)

利用灰度图将亮度暗的像素置零，亮区即为激活单元

抹除区域的中心点均出现在亮区内，而且图像的亮度相较于原图有一定提升 (标准化系数 > 1)