在AI模型開發(fā)的過程中，許多開發(fā)者被不夠充足的訓練數(shù)據(jù)擋住了提升模型效果的腳步，一個擁有出色效果的深度學習模型，支撐它的通常是一個龐大的標注數(shù)據(jù)集。因此，提升模型的效果的通用方法是增加數(shù)據(jù)的數(shù)量和多樣性。但在實踐中，收集數(shù)目龐大的高質(zhì)量數(shù)據(jù)并不容易，在某些特定領域與應用場景甚至難以獲取大量數(shù)據(jù)。那么如何能在少量數(shù)據(jù)的情況下提升模型的效果呢？

隨著深度學習的發(fā)展，數(shù)據(jù)增強技術可以協(xié)助開發(fā)者解決數(shù)據(jù)量不夠充足的問題。數(shù)據(jù)增強技術通過對數(shù)據(jù)本身進行一定程度的擾動從而產(chǎn)生“新”數(shù)據(jù)，模型通過不斷學習大量的“新”數(shù)據(jù)來提升泛化能力。

不同數(shù)據(jù)集的數(shù)據(jù)特性決定了其所適用的數(shù)據(jù)增強策略組合，在沒有對數(shù)據(jù)特性有專業(yè)理解能力的情況下，用戶很難構(gòu)建出能與數(shù)據(jù)集特性強相關的數(shù)據(jù)增強策略組合。比如在標準的ImageNet數(shù)據(jù)預處理流程中有使用Random Crop (隨機剪裁)、Random Flip (隨機翻轉(zhuǎn)) 等數(shù)據(jù)增強技術，取得了不錯的效果增益，但在某些特定用戶場景(如零售場景SKU摳圖場景)數(shù)據(jù)邊緣存在重要信息時Random Crop會導致信息的損失、在某些特定用戶場景(如數(shù)字識別)時Random Flip會導致特征的混淆。因此如何根據(jù)數(shù)據(jù)特征來自動化搜索數(shù)據(jù)增強策略組合成為了一個熱門的研究方向。

追溯學術界對自動數(shù)據(jù)增強領域的研究，最具影響力的一篇論文是Google在2018年提出的AutoAugment技術。隨后，相關的優(yōu)化論文層出不窮，簡單梳理依據(jù)現(xiàn)有方法的一些建模思想，如圖1。

圖1 自動數(shù)據(jù)增強算法建模思路歸類

1）強化學習: AutoAugment [1] 借鑒了基于強化學習的架構(gòu)搜索算法，在離散化的搜索空間內(nèi)通過PPO (Proximal Policy Optimization)算法來訓練一個policy generator, policy generator的獎勵信號是其生成的policy應用于子網(wǎng)絡訓練完畢后的驗證集準確率。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)務需求，難以應用在業(yè)務模型開發(fā)中。

2）密度匹配: Fast AutoAugment [2] 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 [3] 采用了PBT的遺傳進化策略，在多個網(wǎng)絡的并發(fā)訓練中不斷“利用”和“擾動”網(wǎng)絡的權(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 [4] 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）對抗學習: Adversarial AutoAugment [5] 在AutoAugment的基礎上借鑒了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[6]借鑒了DARTS的算法設計思路，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)者提供智能標注、模型訓練、服務部署等全流程功能，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)置了豐富的預訓練模型與優(yōu)化的多種算法網(wǎng)絡，用戶可在少量業(yè)務數(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技術已經(jīng)在EasyDL平臺中的成功實現(xiàn)，可微分的技術思路在EasyDL業(yè)務中的實踐也在持續(xù)探索中。

PBA采用了PBT [7]的遺傳進化策略，通過訓練一群神經(jīng)網(wǎng)絡(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。

這一自研自動數(shù)據(jù)增強搜索服務有以下幾個特點:

• 實現(xiàn)了標準的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。
• 搜索服務與任務解耦，已支持飛槳深度學習平臺的圖像分類、物體檢測任務，并且可擴展到其他的視覺任務與文本任務。
• 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，百度工程師基于自研的自動數(shù)據(jù)增強搜索服務與現(xiàn)有的Benchmark進行了對齊，其中表一的ImageNet Benchmark在PaddleClas[8]框架上訓練，表二的Coco Benchmark在PaddleDetection [9]框架上訓練。

結(jié)果顯示，EasyDL自動數(shù)據(jù)增強服務能達到與AutoAugment同樣高的精度，并有大幅的速度優(yōu)勢。目前，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 [8]

表二 Coco Benchmark [9]

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

圖3 圖像分類單分類效果評測

在物體檢測任務上，通過隨機挑選的12個線上任務進行了效果評測，效果對比如下圖，使用專業(yè)版自動數(shù)據(jù)增強服務后11個任務準確率平均提升了1.4%, 最高一項任務獲得了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)增強服務操作非常簡便。

目前，由于訓練環(huán)境的資源消耗不同，EasyDL經(jīng)典版與專業(yè)版提供兩種數(shù)據(jù)增強策略。

在經(jīng)典版中，已經(jīng)上線了手動配置數(shù)字增強策略。如圖5，用戶可以在訓練模型頁面選擇“手動配置”，實現(xiàn)數(shù)據(jù)增強算子的使用。

在專業(yè)版中，由于提供訓練環(huán)境的多種選擇，目前已支持自動搜索策略。如圖6，在新建任務頁面的“數(shù)據(jù)增強策略”中選擇“自動搜索”，再設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。

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在框架設計中內(nèi)置了多個組件與多種能力。如EasyDL智能搜索服務的整體架構(gòu)圖(圖7)所示，其底層基礎組件是分布式智能搜索，具備多機多卡搜索、訓練容錯、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?，產(chǎn)品構(gòu)建了自動數(shù)據(jù)增強搜索、超參搜索、NAS搜索等服務，盡可能讓用戶可以在無需關心技術細節(jié)的情況下，簡便使用EasyDL提供的多項搜索服務，獲得模型效果的優(yōu)化。

圖7 EasyDL智能搜索服務整體架構(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，并提供靈活適應具體業(yè)務的多種部署方式，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)、教育培訓等行業(yè)廣泛落地。

同時，除了零門檻AI開發(fā)平臺EasyDL，百度也推出了全功能AI開發(fā)平臺BML，面向企業(yè)數(shù)據(jù)科學家和算法工程師團隊，提供功能全面、可靈活定制和被深度集成的機器學習開發(fā)平臺。

百度搜索“EasyDL”或訪問鏈接，開發(fā)高精度AI模型。https://ai.baidu.com/easydl/

[1]:Cubuk E D, Zoph B, Mane D, et al. Autoaugment: Learning augmentation policies from data[J]. arXiv preprint arXiv:1805.09501, 2018.

[2]:Lim S, Kim I, Kim T, et al. Fast autoaugment[C]//Advances in Neural Information Processing Systems. 2019: 6665-6675.

[3]:Ho D, Liang E, Chen X, et al. Population based augmentation: Efficient learning of augmentation policy schedules[C]//International Conference on Machine Learning. 2019: 2731-2741.

[4]:Cubuk E D, Zoph B, Shlens J, et al. Randaugment: Practical automated data augmentation with a reduced search space[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020: 702-703.

[5]:Zhang X, Wang Q, Zhang J, et al. Adversarial autoaugment[J]. arXiv preprint arXiv:1912.11188, 2019.

[6]:Li Y, Hu G, Wang Y, et al. DADA: Differentiable Automatic Data Augmentation[J]. arXiv preprint arXiv:2003.03780, 2020.
[7]:Jaderberg M, Dalibard V, Osindero S, et al. Population based training of neural networks[J]. arXiv preprint arXiv:1711.09846, 2017.

[8]:https://paddleclas.readthedocs.io/zh_CN/latest/advanced_tutorials/image_augmentation/ImageAugment.html#id6

[9]:https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/autoaugment

[10]: Zoph B, Cubuk E D, Ghiasi G, et al. Learning data augmentation strategies for object detection[J]. arXiv preprint arXiv:1906.11172, 2019.