11

我想问一下当前的数据集API是否允许实现过采样算法？我处理高度不平衡的班级问题。我在想，在数据集解析（即在线生成）期间对特定类进行过度采样会很好。我已经看到了rejection_resample 函数的实现，但是这会删除样本而不是复制它们，并且它会减慢批量生成（当目标分布与初始分布有很大不同时）。我想要实现的是：举个例子，看看它的类概率决定是否重复它。然后调用dataset.shuffle(...) dataset.batch(...)并获取迭代器。最好的（在我看来）方法是对低概率类进行过采样，并对最可能的类进行二次抽样。我想在网上做，因为它更灵活。

4

3 回答 3

12

此问题已在 issue #14451中解决。只需在此处发布 anwser 以使其对其他开发人员更加可见。

示例代码对低频率类进行过采样，对高频率类进行欠采样，class_target_prob在我的情况下，这只是均匀分布。我想检查最近手稿中的一些结论卷积神经网络中类不平衡问题的系统研究

特定类的过采样是通过调用来完成的：

dataset = dataset.flat_map(
    lambda x: tf.data.Dataset.from_tensors(x).repeat(oversample_classes(x))
)

这是完成所有事情的完整片段：

# sampling parameters
oversampling_coef = 0.9  # if equal to 0 then oversample_classes() always returns 1
undersampling_coef = 0.5  # if equal to 0 then undersampling_filter() always returns True

def oversample_classes(example):
    """
    Returns the number of copies of given example
    """
    class_prob = example['class_prob']
    class_target_prob = example['class_target_prob']
    prob_ratio = tf.cast(class_target_prob/class_prob, dtype=tf.float32)
    # soften ratio is oversampling_coef==0 we recover original distribution
    prob_ratio = prob_ratio ** oversampling_coef 
    # for classes with probability higher than class_target_prob we
    # want to return 1
    prob_ratio = tf.maximum(prob_ratio, 1) 
    # for low probability classes this number will be very large
    repeat_count = tf.floor(prob_ratio)
    # prob_ratio can be e.g 1.9 which means that there is still 90%
    # of change that we should return 2 instead of 1
    repeat_residual = prob_ratio - repeat_count # a number between 0-1
    residual_acceptance = tf.less_equal(
                        tf.random_uniform([], dtype=tf.float32), repeat_residual
    )

    residual_acceptance = tf.cast(residual_acceptance, tf.int64)
    repeat_count = tf.cast(repeat_count, dtype=tf.int64)

    return repeat_count + residual_acceptance


def undersampling_filter(example):
    """
    Computes if given example is rejected or not.
    """
    class_prob = example['class_prob']
    class_target_prob = example['class_target_prob']
    prob_ratio = tf.cast(class_target_prob/class_prob, dtype=tf.float32)
    prob_ratio = prob_ratio ** undersampling_coef
    prob_ratio = tf.minimum(prob_ratio, 1.0)

    acceptance = tf.less_equal(tf.random_uniform([], dtype=tf.float32), prob_ratio)

    return acceptance


dataset = dataset.flat_map(
    lambda x: tf.data.Dataset.from_tensors(x).repeat(oversample_classes(x))
)

dataset = dataset.filter(undersampling_filter)

dataset = dataset.repeat(-1)
dataset = dataset.shuffle(2048)
dataset = dataset.batch(32)

sess.run(tf.global_variables_initializer())

iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

更新#1

这是一个简单的jupyter notebook，它在玩具模型上实现了上述过采样/欠采样。

于 2017-11-11T09:40:05.750 回答
1

tf.data.experimental.rejection_resample似乎是一种更好的方法，因为它不需要“class_prob”和“class_target_prob”功能。
尽管它是欠采样而不是过采样，但具有相同的目标分布和训练步骤，它的工作原理是一样的。

于 2019-02-19T07:10:52.797 回答
0

这个 QnA 对我很有帮助。所以我用我的相关经验写了一篇关于它的博客文章。

https://vallum.github.io/Optimizing_parallel_performance_of_resampling_with_tensorflow.html

我希望对通过重新采样进行 Tensorflow 输入管道优化感兴趣的人可以从中获得一些想法。

有些操作可能是不必要的冗余，但在我个人的情况下并不是太大的性能降低者。

 dataset = dataset.map(undersample_filter_fn, num_parallel_calls=num_parallel_calls) 
 dataset = dataset.flat_map(lambda x : x)

具有标识 lambda 函数的 flat_map 仅用于合并幸存的（和空的）记录

# Pseudo-code for understanding of flat_map after maps
#parallel calls of map('A'), map('B'), and map('C')
map('A') = 'AAAAA' # replication of A 5 times
map('B') = ''      # B is dropped
map('C') = 'CC'    # replication of C twice
# merging all map results
flat_map('AAAA,,CC') = 'AAAACC'
于 2019-06-21T09:00:11.630 回答