作者:Gido M. van de Ven, Hava T. Siegelmann, Andreas S. Tolias
solution1:不断学习以前的例子(效率低)
solution2:以前学习的神经网络模型生成重放数据
task-incremental learning (Task-IL):任务增量学习,需要人为创造场景,区分特定的类别。先区分猫狗和牛羊,再区分猫和羊。
class-incremental learning (Class-IL) :类别增量学习,区分不同学习阶段中的类别。(区分动物失败了)
本文目的:首先确认replay对Class-IL的重要性。在MNIST数据集上的实验,突出了重放的惊人效率和鲁棒性:重放几个或低质量的样本已经足够了。然而,我们也发现将GR扩展到更复杂的问题并不简单。为了解决这个问题,我们提出了一种新的GR变体,其中内部或隐藏的表示被重放,这些表示是由网络自己的、上下文调制的反馈连接生成的。
GR模型:一个主模型作为分类器,一个单独的生成模型来生成要replay的数据,使用标准的可变自动编码器(VAE)作为generator。VAE如下图。(即生成许多生成样本)
GR模型如下:
Task-IL:分为5个task,每个task进行二分类
Class-IL:直接十分类(LwF,EWC,SI failed)
split MINST:按顺序排列的MINST
每一次迭代都是基于128个当前样本和128个重放样本的小批量(在之前的任务中划分)。表明GR不是对所有先前的样本再训练。
为了测试重放的数量是否可以进一步减少,我们运行了额外的实验。改变每个小批量的重放样本的数量。我们发现GR的性能相对稳健(图4a中的红线):即使每个小批量只有一个重放样本(即当前任务中每128个样本对应一个重放样本)。
GR在TaskIL场景中的表现也很有竞争力,并且在Class-IL场景中优于所有非重放方法。
我们改变了用于产生重放的VAE模型中隐藏单元的数量。将VAE的隐藏层减少到只有10个单位会导致低质量的样本(图4c左),但仅适度影响GR的性能(图4b)。
重新学习比不忘记难很多。在该实验中,我们在对每个新任务进行训练之前(但在生成要重放的样本之后)重新初始化了网络的参数,因此网络必须从头开始不断地重新学习所有以前的任务(图4a、b中的棕色线条)。在实验中,仅重放几个或低质量的例子确实不足以实现同样强大的性能。
permuted MNIST:所有像素被重新排列(图5a)
Domain-IL:域增量学习
模型事先不知道采用10种排列的哪一种。当排列方式数增加,GR表现得不好。
100排列后:SI:82%,online EWC:70%,SI+XdG:95%
CIFAR-100:分成10个task,每个task中有10个class
难度因场景而异,但在Task-IL和Class-IL中GR表现都不如其他方法。(重放质量过低)
训练更好的generator,生成高质量replay样本的计算成本过高。
将VAE(海马体)置于主模型(皮层)顶部,在encoder上增加softmax分类器。
将VAE的标准正态分布替换成高斯混合模型。可以replay指定的类的样本,类内部更好的分离。
根据应该执行的任务,在每个隐藏层中随机选择不同的神经元子集。
重放先前学习的类的表示,不是一直重放到输入级别,而是在内部或“隐藏级别”重放它们。
我们在CIFAR-10上预处理了模型的卷积层,与CIFAR-100相比,该数据集包含相似但不重叠的图像。在CIFAR-100上的增量训练期间,这些卷积层被冻结,我们仅通过完全连接的层进行重放。为了公平比较,所有其他方法也使用预训练卷积层用于CIFAR-100实验。
由于split和permuted MNIST没有使用卷积层,所以在这些实验中没有使用预训练和内部重放。
我们没有根据主模型将生成的数据标记为最可能的类别(“硬目标”),而是用所有可能类别的预测概率(“软目标”)来标记它们;
图9c可以看出在相似程度上提高了生成样本的质量和多样性。曲线向上–Precision,曲线向右–Recall。
softmax输出层执行的标准化只考虑活动节点。也就是说,由神经网络预测的输入x属于c类的条件概率被计算为:( zc(x)是c类的非标准化概率,分母是所有活动神经元概率和)
网络参数θ 用 mini-batch 梯度下降方法获得。
特定任务的损失Ltotal使用当前任务的multi-class cross-entropy classification loss 表示:
对每个任务进行2000次(split MNIST和permuted MNIST)或5000次(split CIFAR-100)迭代训练,学习率为0.001(split MNIST)或0.0001(permuted MNIST和split CIFAR-100)。小批量大小被设置为128(split MNIST)或256(permuted MNIST和split CIFAR-100),这意味着在每次迭代中,当前被计算为当前任务中许多样本的平均值。如果使用重播,则使用相同数量的重播样本来计算Lreplay
Ntasks-so-far为模型到目前为止遇到的tasks数
网络结构
encoder和decoder都是具有两个隐藏层的完全连接的网络,这两个隐藏层包含400(split MNIST)或2000(permuted MNIST)个具有ReLU非线性的单元;对于split CIFAR-100,编码器由五个预先训练的卷积层组成,后面是两个包含2000个ReLU单元的全连接层,解码器由两个包含2000个ReLU单元的全连接层组成,后面是五个去卷积或转置卷积层。随机潜变量层z总是具有100个高斯单位(参数为平均值μ(x)和标准偏差σ(x),是encoder网络qϕ输入x的输出),并且先验是标准正态分布。
损失函数
训练VAE的网络参数ϕ与ψ,通过最小化输入x的样本loss:
这是潜在变量z的后验分布:
这是潜在变量z的先验分布:
DKL表示KL散度,在信息论中,相对熵等价于两个概率分布的信息熵的差值,若其中一个概率分布为真实分布,另一个为理论(拟合)分布,则此时相对熵等于交叉熵与真实分布的信息熵之差,表示使用理论分布拟合真实分布时产生的信息损耗 :
潜在变量正则化项Llatent可以计算:
为了简化重构项Lrecon,我们使解码器网络pψ的输出确定,这是VAE常见的修改。我们将重建项重新定义为原始像素值和解码像素值之间的预期二进制交叉熵:
z(x)的替换叫做’ reparameterization trick ’重新参数化技巧,使得Lrecon的Monte Carlo estimate估计对ϕ可微。
为了训练生成器,使用了与训练主模型相同的超参数(即学习率、优化器、迭代、批量)。与主模型相似,生成器也是用重放训练的。
从潜在变量z采样,main model标记replay的label。
给replay样本打软标签(vector属于各类的概率),temperature T越高,标签越平滑(softer),在softmax是z(x)=z(x)/T,θ是T-1结束后的参数。
标准loss不能计算软标签,所以最小化当前模型的预测概率和软标签的交叉熵。
LC分类交叉熵,LG生成loss,LD蒸馏loss,以下为当前任务loss和重放数据loss。
生成特定类的replay
hard target closed-form
soft target rewritten:
每个隐藏层有x%的节点被激活,每个task或者class都有一个mask,生成特定类的replay就使用对应的mask,否则就随机选一个mask
仅针对于有卷积层的CIFAR-100,卷积层为预训练的。
生成部分的重建loss:the expected squared error between the hidden activations of the original input and the corresponding hidden activations after decoding:
SI & FID & precision & recall
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法