作者 | Arseny Kravchenko

编译 | ronghuaiyang

人是不完美的，我们经常在软件中犯错误。有时这些错误很容易发现：你的代码根本不能工作，你的应用程序崩溃等等。但是有些bug是隐藏的，这使得它们更加危险。

在解决深度学习问题时，由于一些不确定性，很容易出现这种类型的bug：很容易看到web应用程序路由请求是否正确，而不容易检查你的梯度下降步骤是否正确。然而，有很多错误是可以避免的。

我想分享一些我的经验，关于我在过去两年的计算机视觉工作中看到或制造的错误。我之前有谈到过这个话题，很多人告诉我：“是的，我也有很多这样的bug。”我希望我的文章可以帮助你至少避免其中的一些问题。

1. 翻转图片以及关键点

假设在关键点检测的问题上。数据看起来像一对图像和一系列的关键点元组。其中每个关键点是一对x和y坐标。

让我们对这个数据进行基础的增强：

1. def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]):
2. img = np.fliplr(img)
3. h, w, *_ = img.shape
4. kpts = [(y, w - x) for y, x in kpts]
5. return img, kpts

看起来是正确的，嗯？我们把它可视化。

1. image = np.ones((10, 10), dtype=np.float32)
2. kpts = [(0, 1), (2, 2)]
3. image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)
4. img1 = image.copy()
5. for y, x in kpts:
6. img1[y, x] = 0
7. img2 = image_flipped.copy()
8. for y, x in kpts_flipped:
9. img2[y, x] = 0
10. 
    
11. _ = plt.imshow(np.hstack((img1, img2)))

不对称，看起来很奇怪！如果我们检查极值呢？

1. image = np.ones((10, 10), dtype=np.float32)
2. kpts = [(0, 0), (1, 1)]
3. image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)
4. img1 = image.copy()
5. for y, x in kpts:
6. img1[y, x] = 0
7. img2 = image_flipped.copy()
8. for y, x in kpts_flipped:
9. img2[y, x] = 0
10. ---------------------------------------------------------------------------
11. IndexError Traceback (most recent call last)
12. <ipython-input-5-997162463eae> in <module>
13. 8 img2 = image_flipped.copy()
14. 9 for y, x in kpts_flipped:
15. ---> 10 img2[y, x] = 0
16. IndexError: index 10 is out of bounds for axis 1 with size 10

不好！这是一个典型的off-by-one错误。正确的代码是这样的:

1. def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]):
2. img = np.fliplr(img)
3. h, w, *_ = img.shape
4. kpts = [(y, w - x - 1) for y, x in kpts]
5. return img, kpts

我们通过可视化发现了这个问题，但是，使用“x = 0”点进行单元测试也会有所帮助。一个有趣的事实是：有一个团队中有三个人(包括我自己)独立地犯了几乎相同的错误。

2. 继续是关键点相关的问题

即使在上面的函数被修复之后，仍然存在危险。现在更多的是语义，而不仅仅是一段代码。

假设需要用两只手掌来增强图像。看起来很安全：手是左，右翻转。

但是等等！我们对关键点的语义并不很了解。如果这个关键点的意思是这样的：

1. kpts = [
2. (20, 20), # left pinky
3. (20, 200), # right pinky
4. ...
5. ]

这意味着增强实际上改变了语义：左变成右，右变成左，但我们不交换数组中的关键点索引。它会给训练带来大量的噪音和更糟糕的度量。

我们应该吸取一个教训：

• 在应用增强或其他花哨的功能之前，了解并考虑数据结构和语义
• 保持你的实验原子性：添加一个小的变化(例如一个新的变换)，检查它如何进行，如果分数提高才加进去。

3. 编写自己的损失函数

熟悉语义分割问题的人可能知道IoU指标。不幸的是，我们不能直接用SGD来优化它，所以常用的方法是用可微损失函数来近似它。

1. def iou_continuous_loss(y_pred, y_true):
2. eps = 1e-6
3. def _sum(x):
4. return x.sum(-1).sum(-1)
5. numerator = (_sum(y_true * y_pred) + eps)
6. denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)
7. - _sum(y_true * y_pred) + eps)
8. return (numerator / denominator).mean()

看起来不错，我们先做个小的检查：

1. In [3]: ones = np.ones((1, 3, 10, 10))
2. ...: x1 = iou_continuous_loss(ones * 0.01, ones)
3. ...: x2 = iou_continuous_loss(ones * 0.99, ones)
4. In [4]: x1, x2
5. Out[4]: (0.010099999897990103, 0.9998990001020204)

在 x1中，我们计算了一些与ground truth完全不同的东西的损失，而 x2则是非常接近ground truth的东西的结果。我们预计 x1会很大，因为预测是错误的， x2应该接近于零。怎么了?

上面的函数是对metric的一个很好的近似。metric不是一种损失：它通常(包括这种情况)越高越好。当我们使用SGD来最小化损失时，我们应该使用一些相反的东西：

1. def iou_continuous(y_pred, y_true):
2. eps = 1e-6
3. def _sum(x):
4. return x.sum(-1).sum(-1)
5. numerator = (_sum(y_true * y_pred) + eps)
6. denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)
7. - _sum(y_true * y_pred) + eps)
8. return (numerator / denominator).mean()
9. def iou_continuous_loss(y_pred, y_true):
10. return 1 - iou_continuous(y_pred, y_true)

这些问题可以从两个方面来确定：

• 编写一个单元测试，检查损失的方向：形式化的期望，更接近ground truth应该输出更低的损失。
• 运行一个健全的检查，让你的模型在单个batch中过拟合。

4. 当我们使用Pytorch的时候

假设有一个预先训练好的模型，开始做infer。

1. from ceevee.base import AbstractPredictor
2. class MySuperPredictor(AbstractPredictor):
3. def __init__(self,
4. weights_path: str,
5. ):
6. super().__init__()
7. self.model = self._load_model(weights_path=weights_path)
8. def process(self, x, *kw):
9. with torch.no_grad():
10. res = self.model(x)
11. return res
12. @staticmethod
13. def _load_model(weights_path):
14. model = ModelClass()
15. weights = torch.load(weights_path, map_location='cpu')
16. model.load_state_dict(weights)
17. return model

这个代码正确吗？也许！这确实适用于某些模型。例如，当模型没有dropout或norm层，如 torch.nn.BatchNorm2d。或者当模型需要为每个图像使用实际的norm统计量时(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，代码忽略了一些重要的东西:切换到评估模式。

如果试图将动态PyTorch图转换为静态PyTorch图，这个问题很容易识别。 torch.jit用于这种转换。

1. In [3]: model = nn.Sequential(
2. ...: nn.Linear(10, 10),
3. ...: nn.Dropout(.5)
4. ...: )
5. ...:
6. ...: traced_model = torch.jit.trace(model, torch.rand(10))
7. /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/jit/__init__.py:914: TracerWarning: Trace had nondeterministic nodes. Did you forget call .eval() on your model? Nodes:
8. %12 : Float(10) = aten::dropout(%input, %10, %11), scope: Sequential/Dropout[1] # /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/nn/functional.py:806:0
9. This may cause errors in trace checking. To disable trace checking, pass check_trace=False to torch.jit.trace()
10. check_tolerance, _force_outplace, True, _module_class)
11. /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/jit/__init__.py:914: TracerWarning: Output nr 1. of the traced function does not match the corresponding output of the Python function. Detailed error:
12. Not within tolerance rtol=1e-05 atol=1e-05 at input[5] (0.0 vs. 0.5454154014587402) and 5 other locations (60.00%)
13. check_tolerance, _force_outplace, True, _module_class)

简单的修复一下：

1. In [4]: model = nn.Sequential(
2. ...: nn.Linear(10, 10),
3. ...: nn.Dropout(.5)
4. ...: )
5. ...:
6. ...: traced_model = torch.jit.trace(model.eval(), torch.rand(10))
7. # No more warnings!

在这种情况下， torch.jit.trace将模型运行几次并比较结果。这里的差别是可疑的。

然而 torch.jit.trace在这里不是万能药。这是一种应该知道和记住的细微差别。

5. 复制粘贴的问题

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……

1. def make_dataloaders(train_cfg, val_cfg, batch_size):
2. train = Dataset.from_config(train_cfg)
3. val = Dataset.from_config(val_cfg)
4. shared_params = {'batch_size': batch_size, 'shuffle': True, 'num_workers': cpu_count()}
5. train = DataLoader(train, **shared_params)
6. val = DataLoader(train, **shared_params)
7. return train, val

不仅仅是我犯了愚蠢的错误。例如，在非常流行的albumentations库也有一个类似的版本。

1. # https://github.com/albu/albumentations/blob/0.3.0/albumentations/augmentations/transforms.py
2. def apply_to_keypoint(self, keypoint, crop_height=0, crop_width=0, h_start=0, w_start=0, rows=0, cols=0, **params):
3. keypoint = F.keypoint_random_crop(keypoint, crop_height, crop_width, h_start, w_start, rows, cols)
4. scale_x = self.width / crop_height
5. scale_y = self.height / crop_height
6. keypoint = F.keypoint_scale(keypoint, scale_x, scale_y)
7. return keypoint

别担心，已经修改好了。

如何避免？不要复制和粘贴代码，尽量以不需要复制和粘贴的方式编写代码。

【NO】

1. datasets = []
2. data_a = get_dataset(MyDataset(config['dataset_a']), config['shared_param'], param_a)
3. datasets.append(data_a)
4. data_b = get_dataset(MyDataset(config['dataset_b']), config['shared_param'], param_b)
5. datasets.append(data_b)

【YES】

1. datasets = []
2. for name, param in zip(('dataset_a', 'dataset_b'),
3. (param_a, param_b),
4. ):
5. datasets.append(get_dataset(MyDataset(config[name]), config['shared_param'], param))

6. 合适的数据类型

让我们编写一个新的增强

1. def add_noise(img: np.ndarray) -> np.ndarray:
2. mask = np.random.rand(*img.shape) + .5
3. img = img.astype('float32') * mask
4. return img.astype('uint8')

图像已被更改。这是我们所期望的吗?嗯，也许它改变得太多了。

这里有一个危险的操作：将 float32 转换为 uint8。它可能会导致溢出：

1. def add_noise(img: np.ndarray) -> np.ndarray:
2. mask = np.random.rand(*img.shape) + .5
3. img = img.astype('float32') * mask
4. return np.clip(img, 0, 255).astype('uint8')
5. img = add_noise(cv2.imread('two_hands.jpg')[:, :, ::-1])
6. _ = plt.imshow(img)

看起来好多了，是吧？

顺便说一句，还有一种方法可以避免这个问题：不要重新发明轮子，不要从头开始编写增强代码并使用现有的扩展： albumentations.augmentations.transforms.GaussNoise。

我曾经做过另一个同样起源的bug。

1. raw_mask = cv2.imread('mask_small.png')
2. mask = raw_mask.astype('float32') / 255
3. mask = cv2.resize(mask, (64, 64), interpolation=cv2.INTER_LINEAR)
4. mask = cv2.resize(mask, (128, 128), interpolation=cv2.INTER_CUBIC)
5. mask = (mask * 255).astype('uint8')
6. _ = plt.imshow(np.hstack((raw_mask, mask)))

这里出了什么问题？首先，用三次插值调整掩模的大小是一个坏主意。同样的问题 float32到 uint8：三次插值可以输出值大于输入，这会导致溢出。

我在做可视化的时候发现了这个问题。在你的训练循环中到处放置断言也是一个好主意。

7. 拼写错误

假设需要对全卷积网络(如语义分割问题)和一个巨大的图像进行推理。该图像是如此巨大，没有机会把它放在你的GPU中，它可以是一个医疗或卫星图像。

在这种情况下，可以将图像分割成网格，独立地对每一块进行推理，最后合并。此外，一些预测交叉可能有助于平滑边界附近的artifacts。

1. from tqdm import tqdm
2. class GridPredictor:
3. """
4. This class can be used to predict a segmentation mask for the big image
5. when you have GPU memory limitation
6. """
7. def __init__(self, predictor: AbstractPredictor, size: int, stride: Optional[int] = None):
8. self.predictor = predictor
9. self.size = size
10. self.stride = stride if stride is not None else size // 2
11. def __call__(self, x: np.ndarray):
12. h, w, _ = x.shape
13. mask = np.zeros((h, w, 1), dtype='float32')
14. weights = mask.copy()
15. for i in tqdm(range(0, h - 1, self.stride)):
16. for j in range(0, w - 1, self.stride):
17. a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)
18. patch = x[a:b, c:d, :]
19. mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)
20. weights[a:b, c:d, :] = 1
21. return mask / weights

有一个符号输入错误，代码段足够大，可以很容易地找到它。我怀疑仅仅通过代码就能快速识别它。但是很容易检查代码是否正确：

1. class Model(nn.Module):
2. def forward(self, x):
3. return x.mean(axis=-1)
4. model = Model()
5. grid_predictor = GridPredictor(model, size=128, stride=64)
6. simple_pred = np.expand_dims(model(img), -1)
7. grid_pred = grid_predictor(img)
8. np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)
9. ---------------------------------------------------------------------------
10. AssertionError Traceback (most recent call last)
11. <ipython-input-24-a72034c717e9> in <module>
12. 9 grid_pred = grid_predictor(img)
13. 10
14. ---> 11 np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)
15. ~/.pyenv/versions/3.6.6/lib/python3.6/site-packages/numpy/testing/_private/utils.py in assert_allclose(actual, desired, rtol, atol, equal_nan, err_msg, verbose)
16. 1513 header = 'Not equal to tolerance rtol=%g, atol=%g' % (rtol, atol)
17. 1514 assert_array_compare(compare, actual, desired, err_msg=str(err_msg),
18. -> 1515 verbose=verbose, header=header, equal_nan=equal_nan)
19. 1516
20. 1517
21. ~/.pyenv/versions/3.6.6/lib/python3.6/site-packages/numpy/testing/_private/utils.py in assert_array_compare(comparison, x, y, err_msg, verbose, header, precision, equal_nan, equal_inf)
22. 839 verbose=verbose, header=header,
23. 840 names=('x', 'y'), precision=precision)
24. --> 841 raise AssertionError(msg)
25. 842 except ValueError:
26. 843 import traceback
27. AssertionError:
28. Not equal to tolerance rtol=1e-07, atol=0.001
29. Mismatch: 99.6%
30. Max absolute difference: 765.
31. Max relative difference: 0.75000001
32. x: array([[[215.333333],
33. [192.666667],
34. [250. ],...
35. y: array([[[ 215.33333],
36. [ 192.66667],
37. [ 250. ],...

下面是 __call__方法的正确版本:

1. def __call__(self, x: np.ndarray):
2. h, w, _ = x.shape
3. mask = np.zeros((h, w, 1), dtype='float32')
4. weights = mask.copy()
5. for i in tqdm(range(0, h - 1, self.stride)):
6. for j in range(0, w - 1, self.stride):
7. a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)
8. patch = x[a:b, c:d, :]
9. mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)
10. weights[a:b, c:d, :] += 1
11. return mask / weights

如果你仍然不知道问题出在哪里，请注意 weights[a:b,c:d,:]+=1这一行。

8. Imagenet归一化

当一个人需要进行转移学习时，用训练Imagenet时的方法将图像归一化通常是一个好主意。

让我们使用我们已经熟悉的albumentations库。

1. from albumentations import Normalize
2. norm = Normalize()
3. img = cv2.imread('img_small.jpg')
4. mask = cv2.imread('mask_small.png', cv2.IMREAD_GRAYSCALE)
5. mask = np.expand_dims(mask, -1) # shape (64, 64) -> shape (64, 64, 1)
6. normed = norm(image=img, mask=mask)
7. img, mask = [normed[x] for x in ['image', 'mask']]
8. def img_to_batch(x):
9. x = np.transpose(x, (2, 0, 1)).astype('float32')
10. return torch.from_numpy(np.expand_dims(x, 0))
11. img, mask = map(img_to_batch, (img, mask))
12. criterion = F.binary_cross_entropy

现在是时候训练一个网络并对单个图像进行过度拟合了——正如我所提到的，这是一种很好的调试技术：

1. model_a = UNet(3, 1)
2. optimizer = torch.optim.Adam(model_a.parameters(), lr=1e-3)
3. losses = []
4. for t in tqdm(range(20)):
5. loss = criterion(model_a(img), mask)
6. losses.append(loss.item())
7. optimizer.zero_grad()
8. loss.backward()
9. optimizer.step()
10. 
    
11. _ = plt.plot(losses)

曲率看起来很好，但是交叉熵的损失值-300是不可预料的。是什么问题？

归一化处理图像效果很好，但是mask没有：需要手动缩放到 [0,1]。

1. model_b = UNet(3, 1)
2. optimizer = torch.optim.Adam(model_b.parameters(), lr=1e-3)
3. losses = []
4. for t in tqdm(range(20)):
5. loss = criterion(model_b(img), mask / 255.)
6. losses.append(loss.item())
7. optimizer.zero_grad()
8. loss.backward()
9. optimizer.step()
10. 
    
11. _ = plt.plot(losses)

训练循环的简单运行时断言(例如 assertmask.max()<=1会很快检测到问题。同样，也可以是单元测试。

总结

• 测试很有必要
• 运行时断言可以用于训练的pipeline;
• 可视化是一种幸福
• 复制粘贴是一种诅咒
• 没有什么是灵丹妙药，一个机器学习工程师必须总是小心(或只是受苦)。