[AI开发]小型数据集解决实际工程问题——交通拥堵、交通事故实时告警

这篇文章其实主要是想介绍在深度学习过程中如何使用小型数据集，这种数据集样本数量一般在1000以下，有时候甚至只有几百。一般提到神经网络，大家都会说数据量越丰富，准确性越高，但是实际工作中，可能收集不了大量的训练样本，那么这时候该如何利用有限的数据集去实现我们想要的功能，并且还能得到相对不错的效果呢？本篇文章以拥堵（事故）检测为例，为大家介绍小型数据集在深度学习中的应用，这是一个二分类的分类任务，最终分类结果为“拥堵（疑似事故）”和“正常”，分别包含大约500个样本（包含训练、验证和最后拿来测试模型的样本）。下面是最终效果：

上图显示路况由“通畅”慢慢变成“拥堵”，然后再由“拥堵”变为“通畅”，顶部显示判断拥堵的概率（1.0最高），可以看到在两种状态切换过程中，并不是平滑切换，而是有一个来回抖动的过渡期。下图显示发生追尾车祸时出现拥堵的过程：

上图刚开始车辆行驶缓慢，检测结果不断在两种状态之间切换，之后出现追尾事故，发生拥堵，检测状态稳定。实际使用过程中，我们需要增加一个状态缓存逻辑，去避免这种来回抖动的问题。

小型数据集存在的问题

机器学习包括现在流行的深度学习（关于两者的区别后面打算专门写一篇文章介绍一下），都是在已有数据集中学习规律，然后再将学习到的经验应用到其他数据上，这种经验应用效果的好坏我们称之为“泛化能力”的强弱。如果一个算法学习过大量数据，充分找到了其中规律，那么它的泛化能力可能就比较强，因为见多识广；相反，如果用于学习的数据集不大，那么就不会见多识广了，泛化能力就比较弱，小型数据集就存在这种缺陷。

神经网络的训练过程就是找到合适的参数，让神经网络的预测值和实际值误差最小，如果一个神经网络很复杂，层数多，那么相应需要训练的参数也就多，这时候训练时需要的数据集就必须大一些，否则很难将每个参数调成相对最好的值。

对于小型数据集，有两种方式可以去尝试规避它的缺陷，一种就是使用迁移学习（transfer learning），在已经训练好的复杂模型（参数）基础上，做一些调整，让其适应自己的任务，这种方式的原理就是使用一部分预训练的模型参数，参数训练无需从零开始，这就可以避免前面提到的数据集太小参数调整困难的问题。另外一种方式就是使用简单网络，不要使用类似ResNet、Inception等系列这些比较复杂的卷积网络，这些网络适用于大型数据集，参数多，如果数据量不够，很难训练好它，我们可以根据需要自定义网络结构，比如本篇文章我自定义了一个类似AlexNet的网络结构，5个卷积层外加3个全连接层，相对来说要简单很多。

迁移学习

前面说过，神经网络学习的过程其实就是找到最合适的参数，让网络的预测结果和实际结果之间的误差尽量最小，这个过程一般以优化损失函数的方式来完成（比如寻找损失函数的最小值），为了简化说明，假设我们神经网络最终的损失函数为Loss=W^2-2W+1，形状是一个抛物线：

如上图所示，当W=1时，Loss的值最小，也就是说我们需要通过不断训练，去调整参数W，使其尽量靠近W=1的位置。神经网络在初始化时，参数W的值是随机初始化的，假设随机初始化W=5，那么我们需要一步一步去调整W，使其让左慢慢移动（比如使用梯度下降优化算法），最终W有可能不能刚好落到W=1的位置，但是如果非常接近就已经足够好了，比如W=1.1的时候。注意这里，我们初始化的W=5，它往W=1的位置移动时，距离为4，如果我们每步走的步长（学名叫学习率）比较小，比如为0.0001，那么调整W的次数就需要非常多了（比如4/0.0001），这时候就说明训练很困难。那么如何快速学习、能让W尽快落到W=1的位置呢？答案就在W初始化这一步，我们可以不随机初始化W，而是使用之前训练好的W来初始化，如下图：

如上图，如果我们初始化W=3，那么使其往W=1的位置移动的次数就要少很多了（2/0.001次），这样相比随机初始化W的做法要好很多了。

迁移学习的做法其实说白了就是上面提到初始化W的过程。如果从零开始训练一个网络，那么W可能初始化为5（甚至更大w=10），如果使用迁移学习的方法训练一个网络，那么W可以初始化为3，这个3就是预训练好的参数，然后我们根据实际情况看是否需要再继续调整W（甚至直接使用初始化的W即可，不用再调了）。

迁移学习的前提是，这个预训练的模型要和我们待解决的问题有一定的联系，比如预训练的模型使用的数据集是各种自然花朵的照片，主要用于花型识别，而我们要解决的问题是手工绘图分类，那么这两种任务其实联系不是很大（自然花朵和手工绘图特征相差明显），这时候迁移学习没什么意义（或者说价值不大），这个时候如果使用迁移学习，那么上面W初始化的值可能就不是3了，很可能是20，那么还不如随机初始化W那种方法有效。

Tensorflow2.0中迁移学习的实现过程很简单，有很多内置的网络结构，比如ResNet、Inception系列等等，实例化对应网络类型的对象，加载预训练的权重值，然后截取该网络的一部分（主要是前面提取特征的卷积层），然后在截取的网络之上再新增自定义的分类层，主要是全连接层就行了。最后冻结截取下来的层（不用更新参数），直接用小型数据集训练新增的层参数即可。根据实际情况，我们有时候还需要解冻截取下来的若干层，让其参与一起训练，这个要看具体情况。

使用简单网络

对于我们本篇文章的二分类问题，我们只需要定义一个相对简单的网络结构就可以了，比如类似AlexNet的网络结构（甚至LeNet-5可能也可以），然后我们使用已有的小型数据集从零开始训练这个网络即可。因为网络足够简单，所以相对更容易训练好。

本次任务中，我们判断道路拥堵与否，是不需要颜色信息的，因此在自定义的简单网络结构中，我们增加了一个Lambda层，该层能将输入进行一些变换，产生输出，不需要训练任何参数。这里Lambda层主要负责去色功能，将输入的RGB图片转成灰度图片，然后再参与后面的特征提取环节。下面是我自定义的简单网络结构：

如上图所示，网络开始一个Lambda层，直接将输入的RGB图片（224*224*3）转换成灰度图片（224*224*1），然后紧接着5个卷积层（包含其他池化、归一化等层），最后加2个全连接层（神经元分别为4096和1000），最后是我们的输出层，包含2个神经元，输出一个2维向量，代表每个分类的概率。注意这里的二分类，我们也可以使用一个神经元，但是需要将输出层的softmax激活函数换成sigmoid函数，后者能将任何输入映射到0~1之间，0和1分别代表2个不同分类，同时在模型训练时我们需要选择另外一个损失函数binary_crossentropy（二分交叉熵损失函数）代替现在的categories_crossentropy损失函数（分类交叉熵损失函数）。机器学习中损失函数主要是用来衡量损失大小，也就是实际值和预测值之间的误差。再看看我们训练过程，loss值和accuracy的变化过程：

效果还不错，验证准确率最后可以到达95%，再来看看100多张测试集上的效果：

可以看到测试集上的准确率在95.8%，已经不错了。

上面这个截图主要是为了说明如何使用小型数据集，可能网络设计、数据集丰富性上还不够完善，后面在实际工程中使用时，还需要根据需要增加部分场景的训练素材（同样，少量即可）。

数据集的‘数量’和‘质量’

深度学习中的数据集不仅对数量有要求，对质量同样有要求。数量一般是越大越好，同样要求样本标注准确，比如目标检测数据集，要求标注的矩形方框大小、位置都要尽量合理，能完整将目标包含进来，同样数据集应该尽可能包含各种场景，也就是数据集的丰富性要高，就是前面提到的“见多识广”。对于监督学习而言，主要是通过训练素材得到X->Y的映射关系，如果你给出的训练样本本身不具备X->Y的映射关系，或者说这种映射关系没有任何规律、甚至掺杂了很多错误映射关系，那么数据集在怎么大，都没有什么用处，因为你这是在愚弄神经网络，会把它整懵逼了，最后得不偿失。对于深度学习来讲，数据集的数量、质量都同等重要。