作者:Gido M. van de Ven, Hava T. Siegelmann, Andreas S. Tolias
solution1:不断学习以前的例子(效率低)
solution2:以前学习的神经网络模型生成重放数据
task-incremental learning (Task-IL):任务增量学习,需要人为创造场景,区分特定的类别。先区分猫狗和牛羊,再区分猫和羊。
class-incremental learning (Class-IL) :类别增量学习,区分不同学习阶段中的类别。(区分动物失败了)
本文目的:首先确认replay对Class-IL的重要性。在MNIST数据集上的实验,突出了重放的惊人效率和鲁棒性:重放几个或低质量的样本已经足够了。然而,我们也发现将GR扩展到更复杂的问题并不简单。为了解决这个问题,我们提出了一种新的GR变体,其中内部或隐藏的表示被重放,这些表示是由网络自己的、上下文调制的反馈连接生成的。
GR模型:一个主模型作为分类器,一个单独的生成模型来生成要replay的数据,使用标准的可变自动编码器(VAE)作为generator。VAE如下图。(即生成许多生成样本)
GR模型如下:
Task-IL:分为5个task,每个task进行二分类
Class-IL:直接十分类(LwF,EWC,SI failed)
split MINST:按顺序排列的MINST
每一次迭代都是基于128个当前样本和128个重放样本的小批量(在之前的任务中划分)。表明GR不是对所有先前的样本再训练。
为了测试重放的数量是否可以进一步减少,我们运行了额外的实验。改变每个小批量的重放样本的数量。我们发现GR的性能相对稳健(图4a中的红线):即使每个小批量只有一个重放样本(即当前任务中每128个样本对应一个重放样本)。
GR在TaskIL场景中的表现也很有竞争力,并且在Class-IL场景中优于所有非重放方法。
我们改变了用于产生重放的VAE模型中隐藏单元的数量。将VAE的隐藏层减少到只有10个单位会导致低质量的样本(图4c左),但仅适度影响GR的性能(图4b)。
重新学习比不忘记难很多。在该实验中,我们在对每个新任务进行训练之前(但在生成要重放的样本之后)重新初始化了网络的参数,因此网络必须从头开始不断地重新学习所有以前的任务(图4a、b中的棕色线条)。在实验中,仅重放几个或低质量的例子确实不足以实现同样强大的性能。
permuted MNIST:所有像素被重新排列(图5a)
Domain-IL:域增量学习
模型事先不知道采用10种排列的哪一种。当排列方式数增加,GR表现得不好。
100排列后:SI:82%,online EWC:70%,SI+XdG:95%
CIFAR-100:分成10个task,每个task中有10个class
难度因场景而异,但在Task-IL和Class-IL中GR表现都不如其他方法。(重放质量过低)
训练更好的generator,生成高质量replay样本的计算成本过高。
将VAE(海马体)置于主模型(皮层)顶部,在encoder上增加softmax分类器。
将VAE的标准正态分布替换成高斯混合模型。可以replay指定的类的样本,类内部更好的分离。
根据应该执行的任务,在每个隐藏层中随机选择不同的神经元子集。
重放先前学习的类的表示,不是一直重放到输入级别,而是在内部或“隐藏级别”重放它们。
我们在CIFAR-10上预处理了模型的卷积层,与CIFAR-100相比,该数据集包含相似但不重叠的图像。在CIFAR-100上的增量训练期间,这些卷积层被冻结,我们仅通过完全连接的层进行重放。为了公平比较,所有其他方法也使用预训练卷积层用于CIFAR-100实验。
由于split和permuted MNIST没有使用卷积层,所以在这些实验中没有使用预训练和内部重放。
我们没有根据主模型将生成的数据标记为最可能的类别(“硬目标”),而是用所有可能类别的预测概率(“软目标”)来标记它们;
图9c可以看出在相似程度上提高了生成样本的质量和多样性。曲线向上–Precision,曲线向右–Recall。
softmax输出层执行的标准化只考虑活动节点。也就是说,由神经网络预测的输入x属于c类的条件概率被计算为:( zc(x)是c类的非标准化概率,分母是所有活动神经元概率和)
网络参数θ 用 mini-batch 梯度下降方法获得。
特定任务的损失Ltotal使用当前任务的multi-class cross-entropy classification loss 表示:
对每个任务进行2000次(split MNIST和permuted MNIST)或5000次(split CIFAR-100)迭代训练,学习率为0.001(split MNIST)或0.0001(permuted MNIST和split CIFAR-100)。小批量大小被设置为128(split MNIST)或256(permuted MNIST和split CIFAR-100),这意味着在每次迭代中,当前被计算为当前任务中许多样本的平均值。如果使用重播,则使用相同数量的重播样本来计算Lreplay
Ntasks-so-far为模型到目前为止遇到的tasks数
网络结构
encoder和decoder都是具有两个隐藏层的完全连接的网络,这两个隐藏层包含400(split MNIST)或2000(permuted MNIST)个具有ReLU非线性的单元;对于split CIFAR-100,编码器由五个预先训练的卷积层组成,后面是两个包含2000个ReLU单元的全连接层,解码器由两个包含2000个ReLU单元的全连接层组成,后面是五个去卷积或转置卷积层。随机潜变量层z总是具有100个高斯单位(参数为平均值μ(x)和标准偏差σ(x),是encoder网络qϕ输入x的输出),并且先验是标准正态分布。
损失函数
训练VAE的网络参数ϕ与ψ,通过最小化输入x的样本loss:
这是潜在变量z的后验分布:
这是潜在变量z的先验分布:
DKL表示KL散度,在信息论中,相对熵等价于两个概率分布的信息熵的差值,若其中一个概率分布为真实分布,另一个为理论(拟合)分布,则此时相对熵等于交叉熵与真实分布的信息熵之差,表示使用理论分布拟合真实分布时产生的信息损耗 :
潜在变量正则化项Llatent可以计算:
为了简化重构项Lrecon,我们使解码器网络pψ的输出确定,这是VAE常见的修改。我们将重建项重新定义为原始像素值和解码像素值之间的预期二进制交叉熵:
z(x)的替换叫做’ reparameterization trick ’重新参数化技巧,使得Lrecon的Monte Carlo estimate估计对ϕ可微。
为了训练生成器,使用了与训练主模型相同的超参数(即学习率、优化器、迭代、批量)。与主模型相似,生成器也是用重放训练的。
从潜在变量z采样,main model标记replay的label。
给replay样本打软标签(vector属于各类的概率),temperature T越高,标签越平滑(softer),在softmax是z(x)=z(x)/T,θ是T-1结束后的参数。
标准loss不能计算软标签,所以最小化当前模型的预测概率和软标签的交叉熵。
LC分类交叉熵,LG生成loss,LD蒸馏loss,以下为当前任务loss和重放数据loss。
生成特定类的replay
hard target closed-form
soft target rewritten:
每个隐藏层有x%的节点被激活,每个task或者class都有一个mask,生成特定类的replay就使用对应的mask,否则就随机选一个mask
仅针对于有卷积层的CIFAR-100,卷积层为预训练的。
生成部分的重建loss:the expected squared error between the hidden activations of the original input and the corresponding hidden activations after decoding:
SI & FID & precision & recall
文章浏览阅读3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象