作者: Owen Vallis
创建日期 2021/09/30
上次修改 2022/02/29
描述:在 CIFAR-10 图像上使用相似度度量学习的示例。
此示例基于 "用于图像相似性搜索的度量学习" 示例。我们的目标是使用相同的数据集,但使用 TensorFlow Similarity 实现模型。
度量学习旨在训练模型,使模型可以将输入嵌入到高维空间中,使得“相似”的输入彼此靠近,而“不相似”的输入彼此远离。训练完成后,这些模型可以为下游系统生成嵌入,这些系统需要这种相似性,例如作为搜索的排名信号,或作为另一个监督问题的预训练嵌入模型。
有关度量学习的更详细概述,请参阅
本教程将使用 TensorFlow Similarity 库来学习和评估相似度嵌入。TensorFlow Similarity 提供以下组件:
可以使用 pip 轻松安装 TensorFlow Similarity,如下所示
pip -q install tensorflow_similarity
import random
from matplotlib import pyplot as plt
from mpl_toolkits import axes_grid1
import numpy as np
import tensorflow as tf
from tensorflow import keras
import tensorflow_similarity as tfsim
tfsim.utils.tf_cap_memory()
print("TensorFlow:", tf.__version__)
print("TensorFlow Similarity:", tfsim.__version__)
TensorFlow: 2.7.0
TensorFlow Similarity: 0.15.5
在本教程中,我们将使用 CIFAR-10 数据集。
为了使相似度模型高效地学习,每个批次必须包含至少 2 个每个类别的示例。
为了简化此过程,tf_similarity 提供了 Sampler
对象,这些对象使你能够设置类别数量和每个批次中每个类别的最小示例数量。
训练和验证数据集将使用 TFDatasetMultiShotMemorySampler
对象创建。这将创建一个采样器,该采样器从 TensorFlow 数据集 加载数据集,并生成包含目标类别数量和每个类别目标示例数量的批次。此外,我们可以将采样器限制为仅生成 class_list
中定义的类别子集,从而使我们能够在类别子集上进行训练,然后测试嵌入如何泛化到未看到的类别。这在处理小样本学习问题时非常有用。
以下单元格创建一个 train_ds
示例,该示例
examples_per_class_per_batch
。class_list
中定义的类别。我们也以相同的方式创建验证数据集,但我们将每个类别的总示例数量限制为 100,并且每个批次中每个类别的示例数量设置为默认值 2。
# This determines the number of classes used during training.
# Here we are using all the classes.
num_known_classes = 10
class_list = random.sample(population=range(10), k=num_known_classes)
classes_per_batch = 10
# Passing multiple examples per class per batch ensures that each example has
# multiple positive pairs. This can be useful when performing triplet mining or
# when using losses like `MultiSimilarityLoss` or `CircleLoss` as these can
# take a weighted mix of all the positive pairs. In general, more examples per
# class will lead to more information for the positive pairs, while more classes
# per batch will provide more varied information in the negative pairs. However,
# the losses compute the pairwise distance between the examples in a batch so
# the upper limit of the batch size is restricted by the memory.
examples_per_class_per_batch = 8
print(
"Batch size is: "
f"{min(classes_per_batch, num_known_classes) * examples_per_class_per_batch}"
)
print(" Create Training Data ".center(34, "#"))
train_ds = tfsim.samplers.TFDatasetMultiShotMemorySampler(
"cifar10",
classes_per_batch=min(classes_per_batch, num_known_classes),
splits="train",
steps_per_epoch=4000,
examples_per_class_per_batch=examples_per_class_per_batch,
class_list=class_list,
)
print("\n" + " Create Validation Data ".center(34, "#"))
val_ds = tfsim.samplers.TFDatasetMultiShotMemorySampler(
"cifar10",
classes_per_batch=classes_per_batch,
splits="test",
total_examples_per_class=100,
)
Batch size is: 80
###### Create Training Data ######
converting train: 0%| | 0/50000 [00:00<?, ?it/s]
The initial batch size is 80 (10 classes * 8 examples per class) with 0 augmenters
filtering examples: 0%| | 0/50000 [00:00<?, ?it/s]
selecting classes: 0%| | 0/10 [00:00<?, ?it/s]
gather examples: 0%| | 0/50000 [00:00<?, ?it/s]
indexing classes: 0%| | 0/50000 [00:00<?, ?it/s]
##### Create Validation Data #####
converting test: 0%| | 0/10000 [00:00<?, ?it/s]
The initial batch size is 20 (10 classes * 2 examples per class) with 0 augmenters
filtering examples: 0%| | 0/10000 [00:00<?, ?it/s]
selecting classes: 0%| | 0/10 [00:00<?, ?it/s]
gather examples: 0%| | 0/1000 [00:00<?, ?it/s]
indexing classes: 0%| | 0/1000 [00:00<?, ?it/s]
采样器将对数据集进行洗牌,因此我们可以通过绘制前 25 张图像来了解数据集。
采样器提供了一个 get_slice(begin, size)
方法,该方法使我们能够轻松地选择样本块。
或者,我们可以使用 generate_batch()
方法来生成批次。这使我们能够检查批次是否包含预期的类别数量和每个类别的示例数量。
num_cols = num_rows = 5
# Get the first 25 examples.
x_slice, y_slice = train_ds.get_slice(begin=0, size=num_cols * num_rows)
fig = plt.figure(figsize=(6.0, 6.0))
grid = axes_grid1.ImageGrid(fig, 111, nrows_ncols=(num_cols, num_rows), axes_pad=0.1)
for ax, im, label in zip(grid, x_slice, y_slice):
ax.imshow(im)
ax.axis("off")
接下来,我们将使用 Keras 函数式 API 定义一个 SimilarityModel
。该模型是一个标准的卷积神经网络,额外添加了一个 MetricEmbedding
层,该层应用 L2 规范化。当使用 Cosine
距离时,度量嵌入层非常有用,因为我们只关心向量之间的角度。
此外,SimilarityModel
提供了一些用于以下操作的辅助方法:
有关更多详细信息,请参阅 TensorFlow Similarity 文档。
embedding_size = 256
inputs = keras.layers.Input((32, 32, 3))
x = keras.layers.Rescaling(scale=1.0 / 255)(inputs)
x = keras.layers.Conv2D(64, 3, activation="relu")(x)
x = keras.layers.BatchNormalization()(x)
x = keras.layers.Conv2D(128, 3, activation="relu")(x)
x = keras.layers.BatchNormalization()(x)
x = keras.layers.MaxPool2D((4, 4))(x)
x = keras.layers.Conv2D(256, 3, activation="relu")(x)
x = keras.layers.BatchNormalization()(x)
x = keras.layers.Conv2D(256, 3, activation="relu")(x)
x = keras.layers.GlobalMaxPool2D()(x)
outputs = tfsim.layers.MetricEmbedding(embedding_size)(x)
# building model
model = tfsim.models.SimilarityModel(inputs, outputs)
model.summary()
Model: "similarity_model"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) [(None, 32, 32, 3)] 0
rescaling (Rescaling) (None, 32, 32, 3) 0
conv2d (Conv2D) (None, 30, 30, 64) 1792
batch_normalization (BatchN (None, 30, 30, 64) 256
ormalization)
conv2d_1 (Conv2D) (None, 28, 28, 128) 73856
batch_normalization_1 (Batc (None, 28, 28, 128) 512
hNormalization)
max_pooling2d (MaxPooling2D (None, 7, 7, 128) 0
)
conv2d_2 (Conv2D) (None, 5, 5, 256) 295168
batch_normalization_2 (Batc (None, 5, 5, 256) 1024
hNormalization)
conv2d_3 (Conv2D) (None, 3, 3, 256) 590080
global_max_pooling2d (Globa (None, 256) 0
lMaxPooling2D)
metric_embedding (MetricEmb (None, 256) 65792
edding)
=================================================================
Total params: 1,028,480
Trainable params: 1,027,584
Non-trainable params: 896
_________________________________________________________________
相似度损失期望包含至少 2 个每个类别的示例的批次,从中计算成对正距离和负距离上的损失。在这里,我们使用 MultiSimilarityLoss()
(论文),这是 TensorFlow Similarity 中的几种损失之一。这种损失试图使用批次中的所有信息性对,考虑到自相似性、正相似性和负相似性。
epochs = 3
learning_rate = 0.002
val_steps = 50
# init similarity loss
loss = tfsim.losses.MultiSimilarityLoss()
# compiling and training
model.compile(
optimizer=keras.optimizers.Adam(learning_rate), loss=loss, steps_per_execution=10,
)
history = model.fit(
train_ds, epochs=epochs, validation_data=val_ds, validation_steps=val_steps
)
Distance metric automatically set to cosine use the distance arg to override.
Epoch 1/3
4000/4000 [==============================] - ETA: 0s - loss: 2.2179Warmup complete
4000/4000 [==============================] - 38s 9ms/step - loss: 2.2179 - val_loss: 0.8894
Warmup complete
Epoch 2/3
4000/4000 [==============================] - 34s 9ms/step - loss: 1.9047 - val_loss: 0.8767
Epoch 3/3
4000/4000 [==============================] - 35s 9ms/step - loss: 1.6336 - val_loss: 0.8469
现在我们已经训练了模型,可以创建示例索引。在这里,我们通过将 x 和 y 传递给索引并存储数据参数中的图像来批量索引前 200 个验证示例。x_index
值被嵌入,然后添加到索引中以使其可搜索。y_index
和数据参数是可选的,但允许用户将元数据与嵌入示例关联起来。
x_index, y_index = val_ds.get_slice(begin=0, size=200)
model.reset_index()
model.index(x_index, y_index, data=x_index)
[Indexing 200 points]
|-Computing embeddings
|-Storing data points in key value store
|-Adding embeddings to index.
|-Building index.
0% 10 20 30 40 50 60 70 80 90 100%
|----|----|----|----|----|----|----|----|----|----|
***************************************************
建立索引后,可以使用匹配策略和校准指标来校准距离阈值。
在这里,我们正在寻找最佳的 F1 分数,同时使用 K=1 作为我们的分类器。在校准阈值距离以下或等于该阈值距离的所有匹配项将被标记为查询示例和与匹配结果相关的标签之间的正匹配,而所有高于阈值距离的匹配项将被标记为负匹配。
此外,我们还传递了额外的指标来计算。输出中的所有值都在校准阈值处计算。
最后,model.calibrate()
返回一个 CalibrationResults
对象,其中包含
"cutpoints"
:一个 Python 字典,将切点名称映射到一个字典,该字典包含与特定距离阈值相关的 ClassificationMetric
值,例如 "optimal" : {"acc": 0.90, "f1": 0.92}
。"thresholds"
:一个 Python 字典,将 ClassificationMetric
名称映射到一个列表,该列表包含在每个距离阈值处计算的度量值,例如 {"f1": [0.99, 0.80], "distance": [0.0, 1.0]}
。x_train, y_train = train_ds.get_slice(begin=0, size=1000)
calibration = model.calibrate(
x_train,
y_train,
calibration_metric="f1",
matcher="match_nearest",
extra_metrics=["precision", "recall", "binary_accuracy"],
verbose=1,
)
Performing NN search
Building NN list: 0%| | 0/1000 [00:00<?, ?it/s]
Evaluating: 0%| | 0/4 [00:00<?, ?it/s]
computing thresholds: 0%| | 0/989 [00:00<?, ?it/s]
name value distance precision recall binary_accuracy f1
------- ------- ---------- ----------- -------- ----------------- --------
optimal 0.93 0.048435 0.869 1 0.869 0.929909
仅从指标中可能很难了解模型质量。一种补充方法是手动检查一组查询结果,以了解匹配质量。
在这里,我们取 10 个验证示例,并以其 5 个最近邻和到查询示例的距离绘制它们。查看结果,我们发现虽然它们并不完美,但它们仍然代表着有意义的相似图像,并且模型能够找到相似图像,而不管它们的姿势或图像照明如何。
我们还可以看到,该模型对某些图像非常自信,导致查询和邻居之间非常小的距离。相反,随着距离变大,我们在类标签中看到更多错误。这是校准对匹配应用程序至关重要的原因之一。
num_neighbors = 5
labels = [
"Airplane",
"Automobile",
"Bird",
"Cat",
"Deer",
"Dog",
"Frog",
"Horse",
"Ship",
"Truck",
"Unknown",
]
class_mapping = {c_id: c_lbl for c_id, c_lbl in zip(range(11), labels)}
x_display, y_display = val_ds.get_slice(begin=200, size=10)
# lookup nearest neighbors in the index
nns = model.lookup(x_display, k=num_neighbors)
# display
for idx in np.argsort(y_display):
tfsim.visualization.viz_neigbors_imgs(
x_display[idx],
y_display[idx],
nns[idx],
class_mapping=class_mapping,
fig_size=(16, 2),
)
Performing NN search
Building NN list: 0%| | 0/10 [00:00<?, ?it/s]
我们还可以绘制 CalibrationResults
中包含的额外指标,以了解随着距离阈值增加的匹配性能。
以下图表显示了精确度、召回率和 F1 分数。我们可以看到,随着距离增加,匹配精度下降,但我们接受为正匹配的查询百分比(召回率)以更快的速度增长到校准距离阈值。
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 5))
x = calibration.thresholds["distance"]
ax1.plot(x, calibration.thresholds["precision"], label="precision")
ax1.plot(x, calibration.thresholds["recall"], label="recall")
ax1.plot(x, calibration.thresholds["f1"], label="f1 score")
ax1.legend()
ax1.set_title("Metric evolution as distance increase")
ax1.set_xlabel("Distance")
ax1.set_ylim((-0.05, 1.05))
ax2.plot(calibration.thresholds["recall"], calibration.thresholds["precision"])
ax2.set_title("Precision recall curve")
ax2.set_xlabel("Recall")
ax2.set_ylabel("Precision")
ax2.set_ylim((-0.05, 1.05))
plt.show()
我们还可以为每个类别获取 100 个示例,并绘制每个示例及其最近匹配项的混淆矩阵。我们还添加了一个“额外”的第 10 类来表示超过校准距离阈值的匹配项。
我们可以看到,大多数错误发生在动物类别之间,在飞机和鸟类之间有一些有趣的混淆。此外,我们看到,每个类别中只有 100 个示例中的一小部分返回了超出校准距离阈值的匹配项。
cutpoint = "optimal"
# This yields 100 examples for each class.
# We defined this when we created the val_ds sampler.
x_confusion, y_confusion = val_ds.get_slice(0, -1)
matches = model.match(x_confusion, cutpoint=cutpoint, no_match_label=10)
cm = tfsim.visualization.confusion_matrix(
matches,
y_confusion,
labels=labels,
title="Confusion matrix for cutpoint:%s" % cutpoint,
normalize=False,
)
我们可以绘制超出校准阈值的示例,以查看哪些图像与任何索引示例不匹配。
这可能提供对哪些其他示例需要索引或表面类中异常示例的洞察。
idx_no_match = np.where(np.array(matches) == 10)
no_match_queries = x_confusion[idx_no_match]
if len(no_match_queries):
plt.imshow(no_match_queries[0])
else:
print("All queries have a match below the distance threshold.")
快速了解模型执行情况和了解其不足之处最好的方法之一是将嵌入投影到 2D 空间中。
这使我们能够检查图像集群并了解哪些类别纠缠在一起。
# Each class in val_ds was restricted to 100 examples.
num_examples_to_clusters = 1000
thumb_size = 96
plot_size = 800
vx, vy = val_ds.get_slice(0, num_examples_to_clusters)
# Uncomment to run the interactive projector.
# tfsim.visualization.projector(
# model.predict(vx),
# labels=vy,
# images=vx,
# class_mapping=class_mapping,
# image_size=thumb_size,
# plot_size=plot_size,
# )