kaggle可插拔tta应用记录

链接：https://www.kaggle.com/leighplt/pytorch-tta-flip-left-right
tta 见过不少了，今天发现一个python的代码技巧记录一下

import os
import numpy as np
import matplotlib.pyplot as plt
import pandas as pdimport torch
from torch import nn
from torch.nn import functional as F
from torch.utils import data
import torchvision
from torchvision import modelsimport cv2
from pathlib import Path
import glob#============= tta ===================
#这里的tta是可插拔的，用在训练和预测上都行，下面有使用的方法，一看就很明了，其中这里面的staticmethod返回函数的静态方法，
#该方法不强制要求传递参数，并且无需实例化就可以调用，也可以实例化调用，很灵活。
#实例化调用方法就是 形如：C = TTAFunction()  然后调用时C.tta()这样，不实例化的话可以直接TTAFunction.tta()
class TTAFunction:"""Simple TTA function"""@staticmethoddef hflip(x):return x.flip(3)@staticmethoddef vflip(x):return x.flip(2)def tta(self, x):self.eval()with torch.no_grad():result = self.forward(x)x = self.hflip(x)result += self.hflip(self.forward(x))return 0.5*result
#============= model ===================
def conv3x3(in_, out):return nn.Conv2d(in_, out, 3, padding=1)class ConvRelu(nn.Module):def __init__(self, in_, out):super().__init__()self.conv = conv3x3(in_, out)self.activation = nn.ReLU(inplace=True)def forward(self, x):x = self.conv(x)x = self.activation(x)return xclass DecoderBlock(nn.Module):def __init__(self, in_channels, middle_channels, out_channels):super().__init__()self.block = nn.Sequential(ConvRelu(in_channels, middle_channels),nn.ConvTranspose2d(middle_channels, out_channels, kernel_size=3, stride=2, padding=1, output_padding=1),nn.ReLU(inplace=True))def forward(self, x):return self.block(x)class UNet11(TTAFunction, nn.Module): # use our class with TTA functiondef __init__(self, num_filters=32):""":param num_classes::param num_filters:"""super().__init__()self.pool = nn.MaxPool2d(2, 2)# Convolutions are from VGG11self.encoder = models.vgg11().features# "relu" layer is taken from VGG probably for generality, but it's not clear self.relu = self.encoder[1]self.conv1 = self.encoder[0]self.conv2 = self.encoder[3]self.conv3s = self.encoder[6]self.conv3 = self.encoder[8]self.conv4s = self.encoder[11]self.conv4 = self.encoder[13]self.conv5s = self.encoder[16]self.conv5 = self.encoder[18]self.center = DecoderBlock(num_filters * 8 * 2, num_filters * 8 * 2, num_filters * 8)self.dec5 = DecoderBlock(num_filters * (16 + 8), num_filters * 8 * 2, num_filters * 8)self.dec4 = DecoderBlock(num_filters * (16 + 8), num_filters * 8 * 2, num_filters * 4)self.dec3 = DecoderBlock(num_filters * (8 + 4), num_filters * 4 * 2, num_filters * 2)self.dec2 = DecoderBlock(num_filters * (4 + 2), num_filters * 2 * 2, num_filters)self.dec1 = ConvRelu(num_filters * (2 + 1), num_filters)self.final = nn.Conv2d(num_filters, 1, kernel_size=1, )def forward(self, x):conv1 = self.relu(self.conv1(x))conv2 = self.relu(self.conv2(self.pool(conv1)))conv3s = self.relu(self.conv3s(self.pool(conv2)))conv3 = self.relu(self.conv3(conv3s))conv4s = self.relu(self.conv4s(self.pool(conv3)))conv4 = self.relu(self.conv4(conv4s))conv5s = self.relu(self.conv5s(self.pool(conv4)))conv5 = self.relu(self.conv5(conv5s))center = self.center(self.pool(conv5))# Deconvolutions with copies of VGG11 layers of corresponding size dec5 = self.dec5(torch.cat([center, conv5], 1))dec4 = self.dec4(torch.cat([dec5, conv4], 1))dec3 = self.dec3(torch.cat([dec4, conv3], 1))dec2 = self.dec2(torch.cat([dec3, conv2], 1))dec1 = self.dec1(torch.cat([dec2, conv1], 1))return torch.sigmoid(self.final(dec1))def unet11(**kwargs):model = UNet11(**kwargs)return modeldef get_model():np.random.seed(717)torch.cuda.manual_seed(717);torch.manual_seed(717);model = unet11()model.train()return model.to(device)
#============= use tta for predict===================
model = get_model()
model.load_state_dict(torch.load(model_pth)['state_dict'])test_dataset = TGSSaltDataset(test_path, test_file_list, is_test = True)  #这个函数原来链接里有all_predictions = []
for image in data.DataLoader(test_dataset, batch_size = 30):image = image[0].type(torch.FloatTensor).to(device)y_pred = model.tta(image).cpu().data.numpy() # use tta_flipall_predictions.append(y_pred)
all_predictions_stacked = np.vstack(all_predictions)[:, 0, :, :]

kaggle可插拔tta应用记录相关推荐

记录关于监听HDMI插拔广播
记录关于监听HDMI插拔广播 hdmi的广播有两种,目前大部分文章讲诉的都是使用android.intent.action.HDMI_PLUGGED来监听hdmi插拔的状态变化,但是这个方法在高版本中 ...
删除u盘插拔记录linux,如何删除电脑里中的u盘使用记录
五.打开注册表(在"开始"→"运行"输入框中输入"regedit"可直接打开注册表),注册表打开后依次在"编辑→查找", ...
删除u盘插拔记录linux,电脑u盘插拔记录_电脑u盘插拔时间记录
2016-06-07 18:50:08 按照如下步骤进行处理,尝试解决问题. 1.USB接口损坏.接触不良也会出现此情况,换一个USB接口,台式机插入主机后接口试试. 2.插入电脑,右下角有图标,不显 ...
k8s kubesphere启用可插拔组件（安装前、后均可）
启用可插拔组件本教程演示如何在安装前或安装后启用 KubeSphere 的可插拔组件.KubeSphere 具有以下列出的十个可插拔组件. 配置项功能组件描述 alerting KubeSphe ...
sim插拔识别时间_特斯拉+树莓派实现车牌识别检测系统
转自机器之心 | 作者:Robert Lucian Chiriac | 参与:王子嘉.思.一鸣怎样在不换车的前提下打造一个智能车系统呢?一段时间以来,本文作者 Robert Lucian Chiri ...
Foundatio - .Net Core用于构建分布式应用程序的可插拔基础块
简介 Foundatio - 用于构建分布式应用程序的可插拔基础块 •想要针对抽象接口进行构建,以便我们可以轻松更改实现.希望这些块对依赖注入友好.•缓存:我们最初使用的是开源 Redis 缓存客户端 ...
oracle关闭数据库容器,Oracle12cr1新特性之容器数据库(CDB)和可插拔数据库(PDB) 的启动和关闭...
Oracle12c中引入的多宿主选项(multitenant option)允许一个容器数据库容纳多个独立的可插拔数据库(PDB).本文将说明如何启动和关闭容器数据库(CDB)和可插拔数据库(PDB) ...
java 可插拔注解_20200311 8. 注解和可插拔性
8. 注解和可插拔性 8.1 注解和可插拔性在 web 应用中,使用注解的类仅当它们位于 WEB-INF/classes 目录中,或它们被打包到位于应用的WEB-INF/lib 中的 jar 文件中 ...
我心中的核心组件（可插拔的AOP）~大话开篇及目录
我心中的核心组件(可插拔的AOP)~大话开篇及目录 http://www.cnblogs.com/lori/p/3247905.html 回到占占推荐博客索引核心组件我心中的核心组件,核心组件就是 ...

kaggle可插拔tta应用记录

kaggle可插拔tta应用记录相关推荐

最新文章

热门文章