news 2026/4/23 11:37:22

深度学习中的K-Fold交叉验证

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
深度学习中的K-Fold交叉验证

交叉验证是一种用于评估深度学习模型性能的统计方法。交叉验证是一种重采样方法,用于在有限的数据样本上评估深度学习模型,可用于分类、回归等任务。交叉验证可以减少过拟合、提供稳健的性能评估、高效利用数据(尤其是在数据量有限的情况下)。

K-Fold Cross-Validation:K折交叉验证,K表示给定数据样本随机要分成的大小相等的组数(折)。训练K次,将模型在所有K次迭代中的性能取平均值,从而得到模型泛化能力的估计。如下图所示:原图来自于: https://www.kaggle.com

一般步骤:数据集中的每个样本有且仅一次用于测试,每个样本均K-1次用于训练

1. 随机打乱数据集,将数据集分成K折。

2. 训练及测试:对于每个折,使用K-1个折来训练模型,使用剩余的折作为测试集来评估模型。

3. 汇总结果:计算每个折的性能指标,并取平均值。

K值的选择会影响偏差和方差之间的权衡,K的选择通常为5或10,没有硬性规定。小数据集适合较大的K值,中数据集适合较小的K值。大数据集不建议使用K-Fold。

1. 较小的K值,使计算速度更快,但性能估计的方差更大。

2. 较大的K值,使方差更小,但计算成本更高。

以下测试代码为将数据集按照K折交叉验证拆分,并计算mean和std,用于回归训练中,csv文件中为每幅图像对应一个float值

def parse_args(): parser = argparse.ArgumentParser(description="K-Fold Cross-Validation") parser.add_argument("--src_dataset_path", required=True, type=str, help="source dataset path") parser.add_argument("--src_csv_file", required=True, type=str, help="source csv file") parser.add_argument("--dst_dataset_path", required=True, type=str, help="the path of the destination dataset after split") parser.add_argument("--k", type=int, default=5, help="number fo groups, K-Fold cross validataion") args = parser.parse_args() return args def split_k_fold(src_dataset_path, dst_dataset_path, src_csv_file, k): if src_dataset_path is None or not src_dataset_path or not Path(src_dataset_path).is_dir(): raise ValueError(colorama.Fore.RED + f"{src_dataset_path} is not a directory") if src_csv_file is None or not src_csv_file or not Path(src_csv_file).is_file(): raise ValueError(colorama.Fore.RED + f"{src_csv_file} is not a file") for i in range(1, k+1): path_name = dst_dataset_path + "_" + str(i) if Path(path_name).exists(): raise FileExistsError(colorama.Fore.RED + f"specified directory already exists: {path_name}") Path(path_name).mkdir(parents=True) Path(path_name + "/train").mkdir(parents=True) Path(path_name + "/val").mkdir(parents=True) dataframe = pd.read_csv(src_csv_file, header=None) samples = dataframe.values.tolist() if len(samples) == 0: raise FileNotFoundError(colorama.Fore.RED + f"there is no data in the file: {src_csv_file}") print(f"samples length: {len(samples)}; samples0: {samples[0]}") images = [img for img in Path(src_dataset_path).glob("*") if img.is_file()] if len(images) == 0: raise FileNotFoundError(colorama.Fore.RED + f"there are no matching images in this directory: {src_dataset_path}") print(f"images number: {len(images)}, image0: {images[0]}") if len(samples) != len(images): raise ValueError(colorama.Fore.RED + f"length mismatch: samples:{len(samples)}; images:{len(images)}") for i in range(0, len(samples)): if samples[i][2] != images[i].name: raise ValueError(colorama.Fore.RED + f"name mismatch: samples{i}:{samples[i][2]}; images{i}:{images[i].name}") total = len(samples) numbers = list(range(total)) random.shuffle(numbers) fold_size = total // k def write_and_copy(index_list, folder, csv_file): with open(csv_file, mode="w", newline="", encoding="utf-8") as file: write = csv.writer(file) for idx in index_list: write.writerow(samples[idx]) shutil.copy(images[idx], folder) def calculate_mean_std(train_list, txt_file): mean_sum = np.zeros(3, dtype=np.float64) std_sum = np.zeros(3, dtype=np.float64) for idx in train_list: img = cv2.imread(str(images[idx])) if img is None: raise FileNotFoundError(colorama.Fore.RED + f"image file does not exist: {images[idx]}") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img.astype(np.float64) / 255.0 mean_sum += img.mean(axis=(0, 1)) std_sum += img.std(axis=(0, 1)) mean = mean_sum / len(train_list) std = std_sum / len(train_list) with open(txt_file, mode="w", encoding="utf-8") as file: file.write(f'--mean "{tuple(mean.tolist())}" --std "{tuple(std.tolist())}"') for fold in range(k): val_idx = numbers[fold * fold_size : (fold + 1) * fold_size] if fold < k - 1 else numbers[fold * fold_size :] train_idx = [i for i in numbers if i not in val_idx] print(f"fold {fold + 1}: length val: {len(val_idx)}; train: {len(train_idx)}") write_and_copy(train_idx, dst_dataset_path + "_" + str(fold+1) + "/train", dst_dataset_path + "_" + str(fold+1) + "/train.csv") write_and_copy(val_idx, dst_dataset_path + "_" + str(fold+1) + "/val", dst_dataset_path + "_" + str(fold+1) + "/val.csv") calculate_mean_std(train_idx, dst_dataset_path + "_" + str(fold+1) + "/mean_std.txt") if __name__ == "__main__": colorama.init(autoreset=True) args = parse_args() split_k_fold(args.src_dataset_path, args.dst_dataset_path, args.src_csv_file, args.k) print(colorama.Fore.GREEN + "====== execution completed ======")

执行结果如下图所示:

GitHub:https://github.com/fengbingchun/NN_Test

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/17 18:23:32

详解 Spring Boot、Flask、Nginx、Redis、MySQL 的关系与协作

前言 在Web开发领域&#xff0c;Spring Boot、Flask、Nginx、Redis、MySQL这些名词经常出现&#xff0c;但很多初学者对它们的定位和关系感到困惑。本文将用通俗易懂的方式&#xff0c;彻底讲清楚这些技术组件分别是做什么的&#xff0c;以及它们如何协作构建一个完整的Web应用…

作者头像 李华
网站建设 2026/4/23 10:46:36

大数据领域数据可视化的技术突破与挑战

大数据领域数据可视化的技术突破与挑战 关键词&#xff1a;大数据、数据可视化、技术突破、挑战、可视化技术 摘要&#xff1a;本文聚焦于大数据领域的数据可视化&#xff0c;深入探讨了其技术突破和面临的挑战。首先介绍了大数据和数据可视化的背景知识&#xff0c;明确了文章…

作者头像 李华
网站建设 2026/3/25 20:38:25

乔尔格林布拉特的价值投资回测

乔尔格林布拉特的价值投资回测 关键词:价值投资、神奇公式、回测、股票筛选、投资组合、量化投资、财务指标 摘要:本文深入探讨乔尔格林布拉特(Joel Greenblatt)提出的"神奇公式"价值投资策略及其回测方法。文章将从理论基础出发,详细解析该策略的核心财务指标(资…

作者头像 李华
网站建设 2026/3/24 5:34:21

解码MATLAB v7文件:R语言中的技巧与实例

在数据科学和统计分析领域,MATLAB文件是一个非常常见的文件格式,特别是对于工程师和科学家来说。MATLAB v7版本的文件虽然已经不算新,但仍然广泛应用于许多项目中。对于R语言用户来说,读取MATLAB文件可能并不是一件简单的事情。本文将详细探讨如何在R中读取MATLAB v7文件,…

作者头像 李华
网站建设 2026/4/23 6:33:10

跟对公司,三年顶十年

某芯片公司上市&#xff0c;很多老员工直接财务自由。朋友圈里一片柠檬味&#xff0c;都在感慨"命好"。但这事儿真的只是运气吗&#xff1f;上市确实能让员工拿到超额回报&#xff0c;但这种回报本质上是对"风险定价"的兑现。早期加入一家公司&#xff0c;…

作者头像 李华
网站建设 2026/4/23 6:33:03

Git使用[远程仓库远端的head比本地和提交的head旧,其他人拉不到最新代码]

远程仓库远端的head比本地和提交的head旧,其他人拉不到最新代码 今天遇到一个超级奇葩的问题,我明明已经提交了代码,而且在浏览器看到的最新代码已经是我提交的了,但是其他同事拉取的时候总是上一个版本的,这让我一头雾水:克隆这个残酷拉取也是上一个版本的代码:这我就非常懵逼…

作者头像 李华