Women in Data Science 與合作伙伴共同發起了 WiDS 資料馬拉松競賽（WiDS datathon）。賽題是建立一個能夠預測衛星影象上油棕種植園存在情況的模型。
Planet 和 Figure Eight 慷慨地提供了衛星影象的帶註釋資料集，而該衛星影象是最近由 Planet 衛星拍攝的。該資料集影象具有 3 米的空間解析度，並且每一副影象都基於是否含油棕種植園來標記（0 意為沒有油棕種植園，1 意為存在一個油棕種植園）。
競賽任務是訓練一個模型，該模型能夠輸入衛星影象，輸出包含油棕種植園影象的似然預測。在模型開發中，競賽舉辦者提供帶標籤的訓練和測試資料集。
詳細資訊參見：https://www.kaggle.com/c/widsdatathon2019
我和隊友（Abdishakur、Halimah 和 Ifeoma Okoh）使用 fast.ai 框架來迎接這項賽題。非常感謝 Thomas Capelle 在 kaggle 上的啟動核心，該核心為解決這個問題提供了諸多見解。
此外，還要感謝 fast.ai 團隊，該團隊建立了一門不可思議的深度學習課程，該課程簡化了大量困難的深度學習概念。現在，深度學習初學者也可以贏得 kaggle 競賽了。
課程地址：https://course.fast.ai/
從一個通俗易懂的深度學習指南開始
不要想著馬上就能理解所有東西，這需要大量的練習。本指南旨在向深度學習初學者展示 fast.ai 的魅力。假定你瞭解一些 python 知識，也對機器學習稍有涉獵。這樣的話，我們就走上了學習正軌。
（引用）本文展示的所有程式碼可在 Google Colaboratory 中找到：這是一個 Jupyter 筆記本環境，不需要進行任何設定就可以使用，並且完全在雲端執行。你可以通過 Colaboratory 編寫和執行程式碼，儲存和分享分析，訪問大量的計算資源，所有這些都是免費的。
程式碼參見：https://colab.research.google.com/drive/1PVaRPY1XZuPLtm01V2XxIWqhLrz3_rgX。
匯入 fast.ai 和我們將要使用的其他庫
輸入庫
獲取競賽資料
為了儘可能簡潔明瞭，Abdishakur 上傳競賽資料檔案至 dropbox.com。你可以在競賽頁面上找到這些資料。你需要接受競賽規則，並在參賽後訪問資料。
觀察資料
我們在解決一個問題時首先要做的是觀察可用資料。在想出解決方案之前，我們需要理解這個問題以及資料是什麼樣的。觀察資料意味著理解資料目錄的構成方式、資料標籤以及樣本影象是什麼樣的。
使用 pandas 庫來讀取資料。
訓練模型所要使用的資料標籤。
處理「影象分類資料集」和「表格資料集」的主要區別在於標籤的儲存方式。這裡的標籤指的是影象中的內容。在這個特定的資料集中，標籤以 CSV 檔案格式儲存。
想要了解更多計算「分數」列的方法，點選：
https://success.figure-eight.com/hc/en-us/articles/201855939-How-to-Calculate-a-Confidence-Score。
我們將使用 seaborn 的 countplot 函式來觀察訓練資料的分佈。我們從下圖中看到，大約 14300 個影象中沒有發現油棕種植園，而僅有 942 個影象中發現了油棕種植園。這就是所謂的不平衡資料集，但我們在這裡不討論這個深度學習問題。我們此刻正邁出了一小步。
統計兩個類別的樣本數。
訓練資料集中分佈
準備資料
提供的測試資料放置於兩個不同的資料夾中： leaderboard 留出資料和 leaderboard 測試資料。由於競賽要求提交這兩種資料集的預測，所以我們將兩者相結合。我們共獲得 6534 副影象。
結合 leaderboard 留出資料和 leaderboard 測試資料。
我們將使用 fast.ai 的 DataBlock API 來構成資料，這是一種將資料集呈現給模型的簡便方法。
建立一個 ImageList 來保留資料
我們將使用 ImageList 來儲存訓練資料，並使用 from_df 方法讀取資料。這樣做的原因是，我們將訓練集資訊儲存在了名為 df 的 DataFrame 中。
接下來需要隨機分割訓練集，並保留 20% 作為驗證集，從而在訓練中監督模型效能。我們選擇了一個 seed，以確保再一次訓練時能得到相同的結果，通過相同的 seed，我們就能知道哪些改進是好的，哪些是壞的。
此外，我們同樣還要把訓練集的標籤地址提供給 ImageList，並將資料與標籤合併。
最後，還需要在資料上執行轉換，通過設定 flip_vert = True 將翻轉影象，這能幫助模型識別不同朝向的影象。此外，還需要使用 imagenet_stats 來歸一化影象。
預覽影象
如下是有或沒有油棕種植園的衛星影象：
展示兩個 Batch 的影象。
有油棕的影象標記為 1，沒有油棕的標記為 0
訓練我們的模型
現在，開始訓練我們的模型。我們將使用卷積神經網路作為主體，並利用 ResNet 模型的預訓練權重。ResNet 模型被訓練用來對各種影象進行分類，不用擔心它的理論和實現細節。現在，我們構建的模型以衛星影象作為輸入，並輸出這兩個類別的預測概率。
卷積神經網路
搜尋最佳模型學習率。
接下來，我們用 lr_find() 函式找到了理想的學習率，並使用 recorder.plot() 對其進行了視覺化。
搜尋最佳模型學習率。
我們將選擇斜率最大的學習率，在這裡我們選擇的是 1e-2。
用學習率 1e-2 對模型展開 5 個週期的訓練。
我們將使用 fit_one_cycle 函式對模型進行 5 個 epoch 的訓練（遍歷所有資料 5 次）。
訓練和驗證損失。
注意展示的 metrics，即 training_loss 和 valid_loss。隨著時間的推移，我們使用它們來監控模型的改進。
最佳模型是在第四個 epoch 時獲得的。
訓練階段模型的輸出；訓練和驗證損失的變化過程。
在你進行訓練和驗證資料集時，fast.ai 只在內部挑選並儲存你的最佳模型。
評估我們的模型
競賽提交的材料是根據預測概率和觀測目標 has_oilpalm 之間的 ROC 曲線來評估的。預設情況下，Fast.ai 不會附帶這個指標，所以我們將使用 scikit-learn 庫。
列印驗證指標。
使用預訓練模型和 fast.ai 的妙處在於，你可以獲得很好的預測準確率。在我們的案例中，沒有費多大力就獲得了 99.44% 的準確率。
訓練第一階段的指標。
儲存模型，並繪製關於預測的混淆矩陣。
使用混淆矩陣檢視結果
繪製混淆矩陣
混淆矩陣是一種圖形化的方式，可以檢視模型準確或不準確的預測影象數量。
第一個訓練階段的混淆矩陣。
從這個矩陣中可以看出，模型準確地預測出有 2863 張影象中沒有油棕，168 張影象中有油棕。10 張有油棕的影象被分類為沒有，而 7 張沒有油棕的影象則被分類為有油棕。
對這種簡單的模型來說，這個結果不錯了。接下來，我們搜尋到了訓練的理想學習率。
搜尋理想的學習率。
我們在學習率 1e-6 和 1e-4 之間選擇了一個學習率。
在 7 個 epoch 內，使用 1e-6 和 1e-4 之間的最大學習率來擬合模型。
對模型進行 7 個週期的訓練，學習率應在 1e-6 和 1e-4 範圍內。
訓練和驗證損失。
以圖形方式觀察訓練指標，以監控每個訓練週期後模型的效能。
訓練階段模型的輸出；訓練和驗證損失的變化過程。
儲存模型的第二個訓練階段：
準確率、誤差率和 AUC 分數
列印模型的準確率、誤差率和 AUC 指標：
第二個訓練階段的指標。
如你所見，模型的準確率從 99.44% 上升到了 99.48%。誤差率從 0.0056 降到了 0.0052。AUC 也從 99.82% 上升為 99.87%。
繪製混淆矩陣。
與我們繪製的上一個混淆矩陣相比，你會發現模型的預測效果更好了。
第二個訓練階段的混淆指標
之前有 7 張不含油棕種植園的影象被錯誤分類，現在降到了 3 張，這就是進步。
我們在訓練和調參期間遵循了一種模式。大多數深度學習實驗都遵循類似的迭代模式。
影象轉換
我們將在資料上執行更多的影象轉換，這應該是能提升模型效果的。影象轉換的具體描述可以在 fast.ai 文件中找到：
應用不同的轉換以提升模型效果
max_lighting：如果超參不為 None，那麼以 p_lighting 為概率隨機進行亮度、對比度的調整，且最大亮度不超過 max_lighting。
max_zoom：如果超參不小於 1，那麼以 p_affine 為概率隨機放大 1 到 max_zoom 倍。
max_warp：如果超參不為 None，那麼以 p_affine 為概率在-max_warp 和 max_warp 之間隨機對稱變換。
我們再一次搜尋最優學習率：
搜尋一個合理的學習率
我們選擇的學習率是 1e-6
將模型訓練 5 個週期。
訓練 5 個週期
訓練和驗證損失
比較訓練指標，並與過去的指標進行比較。我們的模型在這次迭代中略遜於 0.0169 和 0.0163。先不要洩氣。
訓練階段模型的輸出；在第 3 個 epoch 時得到最佳模型
儲存模型訓練的第三個階段並列印出指標。如圖所示，當前模型的準確率為 99.38，上一個階段的準確率為 99.48%。AUC 分數從 99.87% 提高到了 99.91%，這是比賽評分的標準。
準確率、誤差率和 AUC 分數
第三個訓練階段的指標
最終訓練階段
你可能注意到了，我們剛開始使用的影象大小為 164，然後逐漸增加到 256（如下所示）。這麼做是為了利用 fast.ai 用於分類的漸進式影象大小縮放，即在一開始使用小影象，之後隨著訓練逐漸增加影象大小。如此一來，當模型早期非常不準確時，它能迅速看到大量影象並實現快速改進，而在後期訓練中，它可以看到更大的影象，學到更多細粒度的差別。（詳情請參見：現在，所有人都可以在 18 分鐘內訓練 ImageNet 了）
應用不同的變換來改進模型，將影象大小增加到 256
我們又發現了一個最佳學習率。
找到理想學習率
找到理想的學習率
以 1e-4 的學習率訓練 5 個 epoch 以擬合模型。
以 1e-4 的學習率對模型訓練 5 個週期
訓練和驗證損失
觀察訓練指標並與之前的指標對比。我們的模型有了小小的提升（損失從 0.169 降到了 0.168）。
模型訓練階段的輸出。在第 2 個 epoch 時得到最佳模型
儲存模型最後的訓練階段並列印出指標。
準確率、誤差率和 AUC 分數
如下所示，模型的準確率為 99.44%，優於上一個訓練階段 99.38% 的準確率。
第四個訓練階段的指標
準備一個競賽提交檔案
現在可以看到我們的模型對未見過的資料做出了多麼好的預測。
準備一個 CSV 提交檔案
將檔案提交給 WiDS Datathon
你仍然可以參加 WiDS 競賽並晚一點提交。進入參賽頁面，點選「Join Competition」，瞭解比賽規則。現在你可以提交作品，看看自己會排到第幾。
根據模型預測對提交的作品進行打分
原文連結：https://towardsdatascience.com/how-a-team-of-deep-learning-newbies-came-3rd-place-in-a-kaggle-contest-644adcc143c8