圖1自動數(shù)據(jù)增強算法建模思路歸類

1)強化學(xué)習(xí): AutoAugment(Autoaugment: Learning augmentation policies from data)借鑒了基于強化學(xué)習(xí)的架構(gòu)搜索算法，在離散化的搜索空間內(nèi)通過PPO (Proximal Policy Optimization)算法來訓(xùn)練一個policy generator, policy generator的獎勵信號是其生成的policy應(yīng)用于子網(wǎng)絡(luò)訓(xùn)練完畢后的驗證集準(zhǔn)確率。其問題在于AutoAugment的搜索成本非常高，還無法滿足工業(yè)界的業(yè)務(wù)需求，難以應(yīng)用在業(yè)務(wù)模型開發(fā)中。

2)密度匹配:Fast AutoAugment(Fast autoaugment)采用了密度匹配的策略，希望驗證數(shù)據(jù)通過數(shù)據(jù)增強后的數(shù)據(jù)點能與原始訓(xùn)練數(shù)據(jù)集的分布盡量匹配。這個思路直覺上可以排除一些導(dǎo)致數(shù)據(jù)集畸變的增強策略，但沒有解決“如何尋找最優(yōu)策略”這一問題。

3)遺傳進化: PBA(Population based augmentation: Efficient learning of augmentation policy schedules)采用了PBT的遺傳進化策略，在多個網(wǎng)絡(luò)的并發(fā)訓(xùn)練中不斷“利用”和“擾動”網(wǎng)絡(luò)的權(quán)重，以期獲得最優(yōu)的數(shù)據(jù)增強調(diào)度策略。這個思路直覺上是可以通過優(yōu)勝劣汰來搜索到最優(yōu)策略。

4)網(wǎng)格搜索: RandAugment(Randaugment: Practical automated data augmentation with a reduced search space)通過統(tǒng)一的強度和概率參數(shù)來大幅減小搜索空間，期望能用網(wǎng)格搜索就解決數(shù)據(jù)增強搜索的問題。但這一技術(shù)并不具備策略的可解釋性，拋開實現(xiàn)手段不談，這篇論文更像是對AutoAugment的自我否定(注: RandAugment也是Google出品的論文)。

5)對抗學(xué)習(xí): Adversarial AutoAugment(Adversarial autoaugment)在AutoAugment的基礎(chǔ)上借鑒了GAN的對抗思想，讓policy generator不斷產(chǎn)生難樣本，并且使policy generator和分類器能并行訓(xùn)練，降低了搜索時長。但整體搜索成本還是非常高。

6)可微分: DADA(DADA: Differentiable Automatic Data Augmentation)借鑒了DARTS的算法設(shè)計思路，將離散的參數(shù)空間通過Gumbel-Softmax重參數(shù)化成了可微分的參數(shù)優(yōu)化問題，大大降低了搜索成本。

在上述的建模思路中，遺傳進化和可微分的建模思路更適合應(yīng)用到模型開發(fā)中，因為這兩種思路將自動數(shù)據(jù)增強搜索的成本降低到了線上業(yè)務(wù)承受的資源范圍內(nèi)，并且具備較好的策略可解釋性?；趯Ｋ悸返脑u估和判斷，百度工程師決定將遺傳進化和可微分思路應(yīng)用到零門檻AI開發(fā)平臺EasyDL中，便于開發(fā)者進一步優(yōu)化模型效果。

EasyDL面向企業(yè)開發(fā)者提供智能標(biāo)注、模型訓(xùn)練、服務(wù)部署等全流程功能，針對AI模型開發(fā)過程中繁雜的工作，提供便捷高效的平臺化解決方案，并且內(nèi)置了豐富的預(yù)訓(xùn)練模型與優(yōu)化的多種算法網(wǎng)絡(luò)，用戶可在少量業(yè)務(wù)數(shù)據(jù)上獲得高精度的模型效果。EasyDL面向不同人群提供了經(jīng)典版、專業(yè)版、行業(yè)版三種產(chǎn)品形態(tài)。

目前，遺傳進化PBA技術(shù)已經(jīng)在EasyDL平臺中的成功實現(xiàn)，可微分的技術(shù)思路在EasyDL業(yè)務(wù)中的實踐也在持續(xù)探索中。

PBA采用了PBT(Population based training of neural networks)的遺傳進化策略，通過訓(xùn)練一群神經(jīng)網(wǎng)絡(luò)(種群, Trials)來找出超參數(shù)調(diào)度。Trials之間會周期性地將高性能Trial的權(quán)重復(fù)制給低性能的Trial(exploit)，并且會有一定的超參擾亂策略(explore），如圖2的PBT流程圖。

圖2 PBT算法流程圖

然而實際將能力落地到平臺中并不容易，工程師們在復(fù)現(xiàn)論文開源代碼的過程中發(fā)現(xiàn)了一些問題：

1)開源代碼采用了Ray的Population Based Training實現(xiàn)，但這個接口并不能保證并行的Trials一定能實現(xiàn)同步的exploit，尤其在資源受限的情況下，很大概率會出現(xiàn)進化程度較高的Trial和進化程度較低的Trial之間的exploit，這樣的錯誤進化是不可接受的。

2)開源代碼僅實現(xiàn)了單機多卡版本的搜索能力，想擴展到多機多卡能力，需要基于Ray做二次開發(fā)。

3)開源代碼僅實現(xiàn)了圖像分類的自動數(shù)據(jù)增強搜索，并未提供物體檢測等其他任務(wù)的數(shù)據(jù)增強搜索能力。

4)開源代碼現(xiàn)有增強算子實現(xiàn)方式比較低效。

綜合以上考慮，最終百度工程師從零開始構(gòu)建了基于PBA的自動數(shù)據(jù)增強搜索服務(wù)。

這一自研自動數(shù)據(jù)增強搜索服務(wù)有以下幾個特點:

實現(xiàn)了標(biāo)準(zhǔn)的PBT算法，支持種群Trials的同步exploit、explore，保證公平進化。

支持分布式拓展，可不受限的靈活調(diào)節(jié)并發(fā)種群數(shù)，支持。

搜索服務(wù)與任務(wù)解耦，已支持飛槳深度學(xué)習(xí)平臺的圖像分類、物體檢測任務(wù)，并且可擴展到其他的視覺任務(wù)與文本任務(wù)。

數(shù)據(jù)增強算子基于C++高效實現(xiàn)。

自研的能力效果如何呢？在公開數(shù)據(jù)集上，我們基于自研的自動數(shù)據(jù)增強搜索服務(wù)與現(xiàn)有的Benchmark進行了對齊，其中表一的ImageNet Benchmark(https://paddleclas.readthedocs.io/zh_CN/latest/advanced_tutorials/image_augmentation/ImageAugment.html#id6)在PaddleClas框架上訓(xùn)練，表二的Coco Benchmark(https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/autoaugment)在PaddleDetection框架上訓(xùn)練。

結(jié)果顯示，EasyDL自動數(shù)據(jù)增強服務(wù)能達到與AutoAugment同樣高的精度，并有大幅的速度優(yōu)勢。目前，我們用于數(shù)據(jù)增強搜索的分類、檢測算子已經(jīng)與AutoAugment對齊，后續(xù)將會持續(xù)不斷擴充更多更高效的算子，進一步提升模型效果。

表一 ImageNet Benchmark

表二 Coco Benchmark

EasyDL目前已在經(jīng)典版上線了手動數(shù)據(jù)增強服務(wù)，在專業(yè)版上線了自動數(shù)據(jù)增強搜索服務(wù)。在圖像分類單標(biāo)簽的任務(wù)上，我們隨機挑選了11個線上任務(wù)進行效果評測。如下圖，使用專業(yè)版自動數(shù)據(jù)增強服務(wù)后，11個任務(wù)準(zhǔn)確率平均提長了5.42%,最高一項任務(wù)獲得了18.13%的效果提升。

圖3圖像分類單分類效果評測

在物體檢測任務(wù)上，我們隨機挑選了12個線上任務(wù)進行效果評測，效果對比如下圖，使用專業(yè)版自動數(shù)據(jù)增強服務(wù)后11個任務(wù)準(zhǔn)確率平均提升了1.4%,最高一項任務(wù)獲得了4.2%的效果提升。

圖4物體檢測效果評測

EasyDL平臺通過交互式的界面，為用戶提供簡單易上手的操作體驗。同樣，使用EasyDL的數(shù)據(jù)增強服務(wù)操作非常簡便。

在經(jīng)典版的訓(xùn)練模型頁面“數(shù)據(jù)增強策略”里選擇“手動配置”，即可輕松實現(xiàn)數(shù)據(jù)增強算子的使用，如圖5。

在專業(yè)版的新建任務(wù)頁面的“數(shù)據(jù)增強策略”里選擇“自動搜索”，再設(shè)置需要搜索的算子范圍，即可立刻實現(xiàn)自動數(shù)據(jù)增強，如圖6。

圖5經(jīng)典版手動數(shù)據(jù)增強使用流程

圖6專業(yè)版自動數(shù)據(jù)增強使用流程

為了讓開發(fā)者使用EasyDL更便捷高效地開發(fā)效果出色的模型，EasyDL在框架設(shè)計中內(nèi)置了多個組件與多種能力。如EasyDL智能搜索服務(wù)的整體架構(gòu)圖(圖7)所示，其底層基礎(chǔ)組件是分布式智能搜索，具備多機多卡搜索、訓(xùn)練容錯、支持多種搜索優(yōu)化算法等特性?；诜植际街悄芩阉魈峁┑暮诵哪芰Γ覀儤?gòu)建了自動數(shù)據(jù)增強搜索、超參搜索、NAS搜索等服務(wù)，盡可能讓用戶可以在無需關(guān)心技術(shù)細節(jié)的情況下，簡便使用EasyDL提供的多項搜索服務(wù)，獲得模型效果的優(yōu)化。

圖7 EasyDL智能搜索服務(wù)整體架構(gòu)圖

在各行各業(yè)加速擁抱AI的今天，有越來越多的企業(yè)踏上智能化轉(zhuǎn)型之路，借助AI能力完成降本增效。但在AI賦能產(chǎn)業(yè)的過程中，大規(guī)模的商業(yè)化落地十分復(fù)雜，需要企業(yè)投入大量的精力。由于不同行業(yè)、場景存在著差異化與碎片化，對AI的需求也不盡相同。因此，一個能夠隨場景變化定制開發(fā)AI模型的平臺至關(guān)重要。通過零算法門檻的平臺能力覆蓋千變?nèi)f化的場景需求，并提供靈活適應(yīng)具體業(yè)務(wù)的多種部署方式，這就是EasyDL。

EasyDL零門檻AI開發(fā)平臺，目前已在工業(yè)制造、智能安防、零售快消、交通運輸、互聯(lián)網(wǎng)、教育培訓(xùn)等行業(yè)廣泛落地。

百度搜索“EasyDL”訪問官網(wǎng)，開發(fā)高精度AI模型。

zhangnn