Women in Data Science 与合作伙伴共同发起了 WiDS 数据马拉松竞赛（WiDS datathon）。赛题是创建一个能够预测卫星图像上油棕种植园存在情况的模型。
Planet 和 Figure Eight 慷慨地提供了卫星图像的带注释数据集，而该卫星图像是最近由 Planet 卫星拍摄的。该数据集图像具有 3 米的空间分辨率，并且每一副图像都基于是否含油棕种植园来标记（0 意为没有油棕种植园，1 意为存在一个油棕种植园）。
竞赛任务是训练一个模型，该模型能够输入卫星图像，输出包含油棕种植园图像的似然预测。在模型开发中，竞赛举办者提供带标签的训练和测试数据集。
详细信息参见：https://www.kaggle.com/c/widsdatathon2019
我和队友（Abdishakur、Halimah 和 Ifeoma Okoh）使用 fast.ai 框架来迎接这项赛题。非常感谢 Thomas Capelle 在 kaggle 上的启动内核，该内核为解决这个问题提供了诸多见解。
此外，还要感谢 fast.ai 团队，该团队创建了一门不可思议的深度学习课程，该课程简化了大量困难的深度学习概念。现在，深度学习初学者也可以赢得 kaggle 竞赛了。
课程地址：https://course.fast.ai/
从一个通俗易懂的深度学习指南开始
不要想着马上就能理解所有东西，这需要大量的练习。本指南旨在向深度学习初学者展示 fast.ai 的魅力。假定你了解一些 python 知识，也对机器学习稍有涉猎。这样的话，我们就走上了学习正轨。
（引用）本文展示的所有代码可在 Google Colaboratory 中找到：这是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。你可以通过 Colaboratory 编写和执行代码，保存和分享分析，访问大量的计算资源，所有这些都是免费的。
代码参见：https://colab.research.google.com/drive/1PVaRPY1XZuPLtm01V2XxIWqhLrz3_rgX。
导入 fast.ai 和我们将要使用的其他库
输入库
获取竞赛数据
为了尽可能简洁明了，Abdishakur 上传竞赛数据文件至 dropbox.com。你可以在竞赛页面上找到这些数据。你需要接受竞赛规则，并在参赛后访问数据。
观察数据
我们在解决一个问题时首先要做的是观察可用数据。在想出解决方案之前，我们需要理解这个问题以及数据是什么样的。观察数据意味着理解数据目录的构成方式、数据标签以及样本图像是什么样的。
使用 pandas 库来读取数据。
训练模型所要使用的数据标签。
处理「图像分类数据集」和「表格数据集」的主要区别在于标签的存储方式。这里的标签指的是图像中的内容。在这个特定的数据集中，标签以 CSV 文件格式存储。
想要了解更多计算「分数」列的方法，点击：
https://success.figure-eight.com/hc/en-us/articles/201855939-How-to-Calculate-a-Confidence-Score。
我们将使用 seaborn 的 countplot 函数来观察训练数据的分布。我们从下图中看到，大约 14300 个图像中没有发现油棕种植园，而仅有 942 个图像中发现了油棕种植园。这就是所谓的不平衡数据集，但我们在这里不讨论这个深度学习问题。我们此刻正迈出了一小步。
统计两个类别的样本数。
训练数据集中分布
准备数据
提供的测试数据放置于两个不同的文件夹中： leaderboard 留出数据和 leaderboard 测试数据。由于竞赛要求提交这两种数据集的预测，所以我们将两者相结合。我们共获得 6534 副图像。
结合 leaderboard 留出数据和 leaderboard 测试数据。
我们将使用 fast.ai 的 DataBlock API 来构成数据，这是一种将数据集呈现给模型的简便方法。
创建一个 ImageList 来保留数据
我们将使用 ImageList 来保存训练数据，并使用 from_df 方法读取数据。这样做的原因是，我们将训练集信息储存在了名为 df 的 DataFrame 中。
接下来需要随机分割训练集，并保留 20% 作为验证集，从而在训练中监督模型性能。我们选择了一个 seed，以确保再一次训练时能得到相同的结果，通过相同的 seed，我们就能知道哪些改进是好的，哪些是坏的。
此外，我们同样还要把训练集的标签地址提供给 ImageList，并将数据与标签合并。
最后，还需要在数据上执行转换，通过设定 flip_vert = True 将翻转图像，这能帮助模型识别不同朝向的图像。此外，还需要使用 imagenet_stats 来归一化图像。
预览图像
如下是有或没有油棕种植园的卫星图像：
展示两个 Batch 的图像。
有油棕的图像标记为 1，没有油棕的标记为 0
训练我们的模型
现在，开始训练我们的模型。我们将使用卷积神经网络作为主体，并利用 ResNet 模型的预训练权重。ResNet 模型被训练用来对各种图像进行分类，不用担心它的理论和实现细节。现在，我们构建的模型以卫星图像作为输入，并输出这两个类别的预测概率。
卷积神经网络
搜索最佳模型学习率。
接下来，我们用 lr_find() 函数找到了理想的学习率，并使用 recorder.plot() 对其进行了可视化。
搜索最佳模型学习率。
我们将选择斜率最大的学习率，在这里我们选择的是 1e-2。
用学习率 1e-2 对模型展开 5 个周期的训练。
我们将使用 fit_one_cycle 函数对模型进行 5 个 epoch 的训练（遍历所有数据 5 次）。
训练和验证损失。
注意展示的 metrics，即 training_loss 和 valid_loss。随着时间的推移，我们使用它们来监控模型的改进。
最佳模型是在第四个 epoch 时获得的。
训练阶段模型的输出；训练和验证损失的变化过程。
在你进行训练和验证数据集时，fast.ai 只在内部挑选并保存你的最佳模型。
评估我们的模型
竞赛提交的材料是根据预测概率和观测目标 has_oilpalm 之间的 ROC 曲线来评估的。默认情况下，Fast.ai 不会附带这个指标，所以我们将使用 scikit-learn 库。
打印验证指标。
使用预训练模型和 fast.ai 的妙处在于，你可以获得很好的预测准确率。在我们的案例中，没有费多大力就获得了 99.44% 的准确率。
训练第一阶段的指标。
保存模型，并绘制关于预测的混淆矩阵。
使用混淆矩阵查看结果
绘制混淆矩阵
混淆矩阵是一种图形化的方式，可以查看模型准确或不准确的预测图像数量。
第一个训练阶段的混淆矩阵。
从这个矩阵中可以看出，模型准确地预测出有 2863 张图像中没有油棕，168 张图像中有油棕。10 张有油棕的图像被分类为没有，而 7 张没有油棕的图像则被分类为有油棕。
对这种简单的模型来说，这个结果不错了。接下来，我们搜索到了训练的理想学习率。
搜索理想的学习率。
我们在学习率 1e-6 和 1e-4 之间选择了一个学习率。
在 7 个 epoch 内，使用 1e-6 和 1e-4 之间的最大学习率来拟合模型。
对模型进行 7 个周期的训练，学习率应在 1e-6 和 1e-4 范围内。
训练和验证损失。
以图形方式观察训练指标，以监控每个训练周期后模型的性能。
训练阶段模型的输出；训练和验证损失的变化过程。
保存模型的第二个训练阶段：
准确率、误差率和 AUC 分数
打印模型的准确率、误差率和 AUC 指标：
第二个训练阶段的指标。
如你所见，模型的准确率从 99.44% 上升到了 99.48%。误差率从 0.0056 降到了 0.0052。AUC 也从 99.82% 上升为 99.87%。
绘制混淆矩阵。
与我们绘制的上一个混淆矩阵相比，你会发现模型的预测效果更好了。
第二个训练阶段的混淆指标
之前有 7 张不含油棕种植园的图像被错误分类，现在降到了 3 张，这就是进步。
我们在训练和调参期间遵循了一种模式。大多数深度学习实验都遵循类似的迭代模式。
图像转换
我们将在数据上执行更多的图像转换，这应该是能提升模型效果的。图像转换的具体描述可以在 fast.ai 文档中找到：
应用不同的转换以提升模型效果
max_lighting：如果超参不为 None，那么以 p_lighting 为概率随机进行亮度、对比度的调整，且最大亮度不超过 max_lighting。
max_zoom：如果超参不小于 1，那么以 p_affine 为概率随机放大 1 到 max_zoom 倍。
max_warp：如果超参不为 None，那么以 p_affine 为概率在-max_warp 和 max_warp 之间随机对称变换。
我们再一次搜索最优学习率：
搜索一个合理的学习率
我们选择的学习率是 1e-6
将模型训练 5 个周期。
训练 5 个周期
训练和验证损失
比较训练指标，并与过去的指标进行比较。我们的模型在这次迭代中略逊于 0.0169 和 0.0163。先不要泄气。
训练阶段模型的输出；在第 3 个 epoch 时得到最佳模型
保存模型训练的第三个阶段并打印出指标。如图所示，当前模型的准确率为 99.38，上一个阶段的准确率为 99.48%。AUC 分数从 99.87% 提高到了 99.91%，这是比赛评分的标准。
准确率、误差率和 AUC 分数
第三个训练阶段的指标
最终训练阶段
你可能注意到了，我们刚开始使用的图像大小为 164，然后逐渐增加到 256（如下所示）。这么做是为了利用 fast.ai 用于分类的渐进式图像大小缩放，即在一开始使用小图像，之后随着训练逐渐增加图像大小。如此一来，当模型早期非常不准确时，它能迅速看到大量图像并实现快速改进，而在后期训练中，它可以看到更大的图像，学到更多细粒度的差别。（详情请参见：现在，所有人都可以在 18 分钟内训练 ImageNet 了）
应用不同的变换来改进模型，将图像大小增加到 256
我们又发现了一个最佳学习率。
找到理想学习率
找到理想的学习率
以 1e-4 的学习率训练 5 个 epoch 以拟合模型。
以 1e-4 的学习率对模型训练 5 个周期
训练和验证损失
观察训练指标并与之前的指标对比。我们的模型有了小小的提升（损失从 0.169 降到了 0.168）。
模型训练阶段的输出。在第 2 个 epoch 时得到最佳模型
保存模型最后的训练阶段并打印出指标。
准确率、误差率和 AUC 分数
如下所示，模型的准确率为 99.44%，优于上一个训练阶段 99.38% 的准确率。
第四个训练阶段的指标
准备一个竞赛提交文件
现在可以看到我们的模型对未见过的数据做出了多么好的预测。
准备一个 CSV 提交文件
将文件提交给 WiDS Datathon
你仍然可以参加 WiDS 竞赛并晚一点提交。进入参赛页面，点击「Join Competition」，了解比赛规则。现在你可以提交作品，看看自己会排到第几。
根据模型预测对提交的作品进行打分
原文链接：https://towardsdatascience.com/how-a-team-of-deep-learning-newbies-came-3rd-place-in-a-kaggle-contest-644adcc143c8
