仅在 K-folds 交叉验证中增加训练集

Question

我正在尝试为不平衡数据集（0 类 = 4000 个图像，1 类 = 大约 250 个图像）创建一个二进制 CNN 分类器，我想对其执行 5 折交叉验证。目前，我正在将训练集加载到 ImageLoader 中，该 ImageLoader 应用我的转换/增强（？）并将其加载到 DataLoader 中。但是，这会导致我的训练拆分和验证拆分都包含增强数据。

我最初应用离线转换（离线增强？）来平衡我的数据集，但从这个线程 (https://stats.stackexchange.com/questions/175504/how-to-do-data-augmentation-and-train-validate-split) 看来，只增强训练集似乎是理想的。我还希望在仅增强训练数据上训练我的模型，然后在 5 折交叉验证中在非增强数据上对其进行验证

我的数据以 root/label/images 的形式组织，其中有 2 个标签文件夹（0 和 1）和图像分类到各自的标签中。

到目前为止我的代码

total_set = datasets.ImageFolder(ROOT, transform = data_transforms['my_transforms'])

//Eventually I plan to run cross-validation as such:
splits = KFold(cv = 5, shuffle = True, random_state = 42)

for train_idx, valid_idx in splits.split(total_set):
    train_sampler = SubsetRandomSampler(train_idx)
    valid_sampler = SubsetRandomSampler(valid_idx)

    train_loader = torch.utils.data.DataLoader(total_set, batch_size=32, sampler=train_sampler)
    val_loader = torch.utils.data.DataLoader(total_set, batch_size=32, sampler=valid_sampler)

model.train()
//Model train/eval works but may be overpredict 

我确定我在这段代码中做的不是最佳或错误，但我似乎找不到任何关于专门增加交叉验证中的训练拆分的文档！

任何帮助将不胜感激！

Answer 1

一种方法是实现一个包装数据集类，该类将转换应用于 ImageFolder 数据集的输出。例如

class WrapperDataset:
    def __init__(self, dataset, transform=None, target_transform=None):
        self.dataset = dataset
        self.transform = transform
        self.target_transform = target_transform

    def __getitem__(self, index):
        image, label = self.dataset[index]
        if self.transform is not None:
            image = self.transform(image)
        if self.target_transform is not None:
            label = self.target_transform(label)
        return image, label

    def __len__(self):
        return len(self.dataset)

然后，您可以通过使用不同的转换包装更大的数据集，在您的代码中使用它。

total_set = datasets.ImageFolder(ROOT)

# Eventually I plan to run cross-validation as such:
splits = KFold(cv = 5, shuffle = True, random_state = 42)

for train_idx, valid_idx in splits.split(total_set):
    train_sampler = SubsetRandomSampler(train_idx)
    valid_sampler = SubsetRandomSampler(valid_idx)

    train_loader = torch.utils.data.DataLoader(
        WrapperDataset(total_set, transform=data_transforms['train_transforms']),
        batch_size=32, sampler=train_sampler)
    valid_loader = torch.utils.data.DataLoader(
        WrapperDataset(total_set, transform=data_transforms['valid_transforms']),
        batch_size=32, sampler=valid_sampler)

    # train/validate now

我没有测试过这段代码，因为我没有你的完整代码/模型，但概念应该很清楚。