作者：Arseny Kravchenko

編譯：ronghuaiyang

導讀

給大家總結了8個計算機視覺深度學習中的常見bug，相信大家或多或少都遇到過，希望能幫助大家避免一些問題。

人是不完美的，我們經常在軟件中犯錯誤。有時這些錯誤很容易發現：你的代碼根本不能工作，你的應用程序崩潰等等。但是有些bug是隱藏的，這使得它們更加危險。

在解決深度學習問題時，由于一些不確定性，很容易出現這種類型的bug：很容易看到web應用程序路由請求是否正確，而不容易檢查你的梯度下降步驟是否正確。然而，有很多錯誤是可以避免的。

我想分享一些我的經驗，關于我在過去兩年的計算機視覺工作中看到或制造的錯誤。我(在會議上)談到過這個話題(https://datafest.ru/ia/)，很多人在會后告訴我：“是的，我也有很多這樣的bug。”我希望我的文章可以幫助你至少避免其中的一些問題。

1. 翻轉圖片以及關鍵點.

假設在關鍵點檢測的問題上。數據看起來像一對圖像和一系列的關鍵點元組。其中每個關鍵點是一對x和y坐標。

讓我們對這個數據進行基礎的增強：

def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]): 

 img = np.fliplr(img)

 h, w, *_ = img.shape

 kpts = [(y, w - x) for y, x in kpts]

 return img, kpts

看起來是正確的，嗯？我們把它可視化。

image = np.ones((10, 10), dtype=np.float32)

kpts = [(0, 1), (2, 2)]

image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)

img1 = image.copy()

for y, x in kpts:

 img1[y, x] = 0

img2 = image_flipped.copy()

for y, x in kpts_flipped:

 img2[y, x] = 0

 

_ = plt.imshow(np.hstack((img1, img2)))

不對稱，看起來很奇怪！如果我們檢查極值呢？

image = np.ones((10, 10), dtype=np.float32)

不好！這是一個典型的off-by-one錯誤。正確的代碼是這樣的:

def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]): 

 img = np.fliplr(img)

 h, w, *_ = img.shape

 kpts = [(y, w - x - 1) for y, x in kpts]

 return img, kpts

我們通過可視化發現了這個問題，但是，使用“x = 0”點進行單元測試也會有所幫助。一個有趣的事實是：有一個團隊中有三個人(包括我自己)獨立地犯了幾乎相同的錯誤。

2. 繼續是關鍵點相關的問題

即使在上面的函數被修復之后，仍然存在危險。現在更多的是語義，而不僅僅是一段代碼。

假設需要用兩只手掌來增強圖像。看起來很安全：手是左，右翻轉。

但是等等！我們對關鍵點的語義并不很了解。如果這個關鍵點的意思是這樣的：

kpts = [

 (20, 20), # left pinky

 (20, 200), # right pinky

 ...

 ]

這意味著增強實際上改變了語義：左變成右，右變成左，但我們不交換數組中的關鍵點索引。它會給訓練帶來大量的噪音和更糟糕的度量。

我們應該吸取一個教訓：

• 在應用增強或其他花哨的功能之前，了解并考慮數據結構和語義
• 保持你的實驗原子性：添加一個小的變化(例如一個新的變換)，檢查它如何進行，如果分數提高才加進去。

3. 編寫自己的損失函數

熟悉語義分割問題的人可能知道IoU指標。不幸的是，我們不能直接用SGD來優化它，所以常用的方法是用可微損失函數來近似它。

def iou_continuous_loss(y_pred, y_true):

 eps = 1e-6

 def _sum(x):

 return x.sum(-1).sum(-1)

 numerator = (_sum(y_true * y_pred) + eps)

 denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)

 - _sum(y_true * y_pred) + eps)

 return (numerator / denominator).mean()

看起來不錯，我們先做個小的檢查：

In [3]: 3, 10, 10))

 ...: x1 = iou_continuous_loss(ones * 0.01, ones)

 ...: x2 = iou_continuous_loss(ones * 0.99, ones)

In [4]: x1, x2

Out[4]: (0.010099999897990103, 0.9998990001020204)

在 x1中，我們計算了一些與ground truth完全不同的東西的損失，而 x2則是非常接近ground truth的東西的結果。我們預計 x1會很大，因為預測是錯誤的， x2應該接近于零。怎么了?

上面的函數是對metric的一個很好的近似。metric不是一種損失：它通常(包括這種情況)越高越好。當我們使用SGD來最小化損失時，我們應該使用一些相反的東西：

def iou_continuous(y_pred, y_true):

 eps = 1e-6

 def _sum(x):

 return x.sum(-1).sum(-1)

 numerator = (_sum(y_true * y_pred) + eps)

 denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)

 - _sum(y_true * y_pred) + eps)

 return (numerator / denominator).mean()

def iou_continuous_loss(y_pred, y_true):

 return 1 - iou_continuous(y_pred, y_true)

這些問題可以從兩個方面來確定：

• 編寫一個單元測試，檢查損失的方向：形式化的期望，更接近ground truth應該輸出更低的損失。
• 運行一個健全的檢查，讓你的模型在單個batch中過擬合。

4. 當我們使用Pytorch的時候

假設有一個預先訓練好的模型，開始做infer。

from ceevee.base import AbstractPredictor

class MySuperPredictor(AbstractPredictor):

 def __init__(self,

 weights_path: str,

 ):

 super().__init__()

 self.model = self._load_model(weights_path=weights_path)

 def process(self, x, *kw):

 with torch.no_grad():

 res = self.model(x)

 return res

 @staticmethod

 def _load_model(weights_path):

 model = ModelClass()

 weights = torch.load(weights_path, map_location='cpu')

 model.load_state_dict(weights)

 return model

這個代碼正確嗎？也許！這確實適用于某些模型。例如，當模型沒有dropout或norm層，如 torch.nn.BatchNorm2d。或者當模型需要為每個圖像使用實際的norm統計量時(例如，許多基于pix2pix的架構需要它)。

但是對于大多數計算機視覺應用程序來說，代碼忽略了一些重要的東西:切換到評估模式。

如果試圖將動態PyTorch圖轉換為靜態PyTorch圖，這個問題很容易識別。 torch.jit用于這種轉換。

In [3]: model = nn.Sequential(

 ...: nn.Linear(10, 10),

 ...: nn.Dropout(.5)

 ...: )

 ...:

 ...: traced_model = torch.jit.trace(model, torch.rand(10))

/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:

	%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

This may cause errors in trace checking. To disable trace checking, pass check_trace=False to torch.jit.trace()

 check_tolerance, _force_outplace, True, _module_class)

/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:

Not within tolerance rtol=1e-05 atol=1e-05 at input[5] (0.0 vs. 0.5454154014587402) and 5 other locations (60.00%)

check_tolerance, _force_outplace, True, _module_class)

簡單的修復一下：

In [4]: model = nn.Sequential(

 ...: nn.Linear(10, 10),

 ...: nn.Dropout(.5)

 ...: )

 ...:

 ...: traced_model = torch.jit.trace(model.eval(), torch.rand(10))

 # No more warnings!

在這種情況下， torch.jit.trace將模型運行幾次并比較結果。這里的差別是可疑的。

然而 torch.jit.trace在這里不是萬能藥。這是一種應該知道和記住的細微差別。

5. 復制粘貼的問題

很多東西都是成對存在的：訓練和驗證、寬度和高度、緯度和經度……

def make_dataloaders(train_cfg, val_cfg, batch_size):

 train = Dataset.from_config(train_cfg)

 val = Dataset.from_config(val_cfg)

 shared_params = {'batch_size': batch_size, 'shuffle': True, 'num_workers': cpu_count()}

 train = DataLoader(train, **shared_params)

 val = DataLoader(train, **shared_params)

 return train, val

不僅僅是我犯了愚蠢的錯誤。例如，在非常流行的albumentations庫也有一個類似的版本。

# https://github.com/albu/albumentations/blob/0.3.0/albumentations/augmentations/transforms.py

def apply_to_keypoint(self, keypoint, crop_height=0, crop_width=0, h_start=0, w_start=0, rows=0, cols=0, **params):

 keypoint = F.keypoint_random_crop(keypoint, crop_height, crop_width, h_start, w_start, rows, cols)

 scale_x = self.width / crop_height

 scale_y = self.height / crop_height

 keypoint = F.keypoint_scale(keypoint, scale_x, scale_y)

 return keypoint

別擔心，已經修改好了。

如何避免？不要復制和粘貼代碼，盡量以不需要復制和粘貼的方式編寫代碼。

datasets = []

data_a = get_dataset(MyDataset(config['dataset_a']), config['shared_param'], param_a)

datasets.append(data_a)

data_b = get_dataset(MyDataset(config['dataset_b']), config['shared_param'], param_b)

datasets.append(data_b)

datasets = []

for name, param in zip(('dataset_a', 'dataset_b'), 

 (param_a, param_b),

 ):

 datasets.append(get_dataset(MyDataset(config[name]), config['shared_param'], param))

6. 合適的數據類型

讓我們編寫一個新的增強

def add_noise(img: np.ndarray) -> np.ndarray:

 mask = np.random.rand(*img.shape) + .5

 img = img.astype('float32') * mask

 return img.astype('uint8')

圖像已被更改。這是我們所期望的嗎?嗯，也許它改變得太多了。

這里有一個危險的操作：將 float32 轉換為 uint8。它可能會導致溢出：

def add_noise(img: np.ndarray) -> np.ndarray:

 mask = np.random.rand(*img.shape) + .5

 img = img.astype('float32') * mask

 return np.clip(img, 0, 255).astype('uint8')

img = add_noise(cv2.imread('two_hands.jpg')[:, :, ::-1]) 

_ = plt.imshow(img)

看起來好多了，是吧？

順便說一句，還有一種方法可以避免這個問題：不要重新發明輪子，不要從頭開始編寫增強代碼并使用現有的擴展： albumentations.augmentations.transforms.GaussNoise。

我曾經做過另一個同樣起源的bug。

raw_mask = cv2.imread('mask_small.png')

mask = raw_mask.astype('float32') / 255

mask = cv2.resize(mask, (64, 64), interpolation=cv2.INTER_LINEAR)

mask = cv2.resize(mask, (128, 128), interpolation=cv2.INTER_CUBIC)

mask = (mask * 255).astype('uint8')

_ = plt.imshow(np.hstack((raw_mask, mask)))

這里出了什么問題？首先，用三次插值調整掩模的大小是一個壞主意。同樣的問題 float32到 uint8：三次插值可以輸出值大于輸入，這會導致溢出。

我在做可視化的時候發現了這個問題。在你的訓練循環中到處放置斷言也是一個好主意。

7. 拼寫錯誤

假設需要對全卷積網絡(如語義分割問題)和一個巨大的圖像進行推理。該圖像是如此巨大，沒有機會把它放在你的GPU中，它可以是一個醫療或衛星圖像。

在這種情況下，可以將圖像分割成網格，獨立地對每一塊進行推理，最后合并。此外，一些預測交叉可能有助于平滑邊界附近的artifacts。

from tqdm import tqdm

class GridPredictor:

 """

 This class can be used to predict a segmentation mask for the big image 

 when you have GPU memory limitation

 """

 def __init__(self, predictor: AbstractPredictor, size: int, stride: Optional[int] = None):

 self.predictor = predictor

 self.size = size

 self.stride = stride if stride is not None else size // 2

 def __call__(self, x: np.ndarray):

 h, w, _ = x.shape

 mask = np.zeros((h, w, 1), dtype='float32')

 weights = mask.copy()

 for i in tqdm(range(0, h - 1, self.stride)):

 for j in range(0, w - 1, self.stride):

 a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)

 patch = x[a:b, c:d, :]

 mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)

 weights[a:b, c:d, :] = 1

 return mask / weights

有一個符號輸入錯誤，代碼段足夠大，可以很容易地找到它。我懷疑僅僅通過代碼就能快速識別它。但是很容易檢查代碼是否正確：

class Model(nn.Module):

 def forward(self, x):

 return x.mean(axis=-1)

model = Model()

grid_predictor = GridPredictor(model, size=128, stride=64)

simple_pred = np.expand_dims(model(img), -1) 

grid_pred = grid_predictor(img)

np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)

---------------------------------------------------------------------------

AssertionError Traceback (most recent call last)

<ipython-input-24-a72034c717e9> in <module>

 9 grid_pred = grid_predictor(img)

 10 

---> 11 np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)

~/.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)

 1513 header = 'Not equal to tolerance rtol=%g, atol=%g' % (rtol, atol)

 1514 assert_array_compare(compare, actual, desired, err_msg=str(err_msg),

-> 1515 verbose=verbose, header=header, equal_nan=equal_nan)

 1516 

 1517 

~/.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)

 839 verbose=verbose, header=header,

 840 names=('x', 'y'), precision=precision)

--> 841 raise AssertionError(msg)

 842 except ValueError:

 843 import traceback

AssertionError: 

Not equal to tolerance rtol=1e-07, atol=0.001

Mismatch: 99.6%

Max absolute difference: 765.

Max relative difference: 0.75000001

 x: array([[[215.333333],

 [192.666667],

 [250. ],...

 y: array([[[ 215.33333],

 [ 192.66667],

 [ 250. ],...

下面是 __call__方法的正確版本:

def __call__(self, x: np.ndarray):

 h, w, _ = x.shape

 mask = np.zeros((h, w, 1), dtype='float32')

 weights = mask.copy()

 for i in tqdm(range(0, h - 1, self.stride)):

 for j in range(0, w - 1, self.stride):

 a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)

 patch = x[a:b, c:d, :]

 mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)

 weights[a:b, c:d, :] += 1

 return mask / weights

如果你仍然不知道問題出在哪里，請注意 weights[a:b,c:d,:]+=1這一行。

8. Imagenet歸一化

當一個人需要進行轉移學習時，用訓練Imagenet時的方法將圖像歸一化通常是一個好主意。

讓我們使用我們已經熟悉的albumentations庫。

from albumentations import Normalize

norm = Normalize()

img = cv2.imread('img_small.jpg')

mask = cv2.imread('mask_small.png', cv2.IMREAD_GRAYSCALE)

mask = np.expand_dims(mask, -1) # shape (64, 64) -> shape (64, 64, 1)

normed = norm(image=img, mask=mask)

img, mask = [normed[x] for x in ['image', 'mask']]

def img_to_batch(x):

 x = np.transpose(x, (2, 0, 1)).astype('float32')

 return torch.from_numpy(np.expand_dims(x, 0))

img, mask = map(img_to_batch, (img, mask))

criterion = F.binary_cross_entropy

現在是時候訓練一個網絡并對單個圖像進行過度擬合了——正如我所提到的，這是一種很好的調試技術：

model_a = UNet(3, 1) 

optimizer = torch.optim.Adam(model_a.parameters(), lr=1e-3)

losses = []

for t in tqdm(range(20)):

 loss = criterion(model_a(img), mask)

 losses.append(loss.item()) 

 optimizer.zero_grad()

 loss.backward()

 optimizer.step()

 

_ = plt.plot(losses)

曲率看起來很好，但是交叉熵的損失值-300是不可預料的。是什么問題？

歸一化處理圖像效果很好，但是mask沒有：需要手動縮放到 [0,1]。

model_b = UNet(3, 1) 

optimizer = torch.optim.Adam(model_b.parameters(), lr=1e-3)

losses = []

for t in tqdm(range(20)):

 loss = criterion(model_b(img), mask / 255.)

 losses.append(loss.item()) 

 optimizer.zero_grad()

 loss.backward()

 optimizer.step()

 

_ = plt.plot(losses)

訓練循環的簡單運行時斷言(例如 assertmask.max()<=1會很快檢測到問題。同樣，也可以是單元測試。

總結

• 測試很有必要
• 運行時斷言可以用于訓練的pipeline;
• 可視化是一種幸福
• 復制粘貼是一種詛咒
• 沒有什么是靈丹妙藥，一個機器學習工程師必須總是小心(或只是受苦)。

英文原文：https://medium.com/@arseny_info/8-deep-learning-computer-vision-bugs-and-how-i-could-have-avoided-them-d40b0e4b1da