add kaggle dog, revise other kaggles

chapter_computer-vision/image-augmentation.md

@@ -48,7 +48,7 @@ apply(img, transforms.RandomFlipTopBottom())
 
 ```{.python .input  n=5}
 shape_aug = transforms.RandomResizedCrop(
-    (200, 200), scale=(.1, 1), ratio=(.5, 2))
+    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
 apply(img, shape_aug)
 ```
 
@@ -57,20 +57,20 @@ apply(img, shape_aug)
 形状变化外的一个另一大类是变化颜色。颜色一般有四个可以调的参数：亮度、对比、饱和度和色相。下面例子里我们随机将亮度在当前值上增加或减小一个在0到50%之前的量。
 
 ```{.python .input  n=6}
-apply(img, transforms.RandomLighting(.5))
+apply(img, transforms.RandomBrightness(0.5))
 ```
 
 同样的修改色相。
 
 ```{.python .input  n=7}
-apply(img, transforms.RandomHue(.5))
+apply(img, transforms.RandomHue(0.5))
 ```
 
 或者用使用`RandomColorJitter`来一起使用。
 
 ```{.python .input  n=8}
 color_aug = transforms.RandomColorJitter(
-    brightness=.5, contrast=.5, saturation=.5, hue=.5)
+    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
 apply(img, color_aug)
 ```
 
@@ -89,7 +89,8 @@ apply(img, augs)
 接下来我们来看一个将图片增广应用在实际训练的例子，并比较其与不使用时的区别。这里我们使用CIFAR-10数据集，而不是之前我们一直使用的FashionMNIST。原因在于FashionMNIST中物体位置和尺寸都已经统一化了，而CIFAR-10中物体颜色和大小区别更加显著。下面我们展示CIFAR-10中的前32张训练图片。
 
 ```{.python .input  n=10}
-gb.show_images(gluon.data.vision.CIFAR10(train=True)[0:32][0], 4, 8, scale=0.8)
+gb.show_images(gluon.data.vision.CIFAR10(train=True)[0:32][0], 4, 8,
+               scale=0.8);
 ```
 
 在训练时，我们通常将图片增广作用在训练图片上，使得模型能识别出各种变化过后的版本。这里我们仅仅使用最简单的随机水平翻转。此外我们使用`ToTensor`变换来图片转成MXNet需要的格式，即格式为（批量，通道，高，宽）以及类型为32位浮点数。
@@ -119,7 +120,7 @@ def load_cifar10(is_train, augs, batch_size):
 我们使用ResNet 18来训练CIFAR-10。训练的的代码跟[“残差网络：ResNet”](..//chapter_convolutional-neural-networks/resnet.md)一致，除了使用所有可用的GPU和不同的学习率外。
 
 ```{.python .input  n=13}
-def train(train_augs, test_augs, lr=.1):
+def train(train_augs, test_augs, lr=0.1):
     batch_size = 256
     ctx = gb.try_all_gpus()
     net = gb.resnet18(10)

chapter_computer-vision/kaggle-gluon-cifar10.md

@@ -29,7 +29,7 @@ import shutil
 
 ## 获取数据集
 
-比赛数据分为训练数据集和测试数据集。训练集包含5万张图片。测试集包含30万张图片：其中有1万张图片用来计分，其他29万张不计分的图片是为了防止人工标注测试集。两个数据集中的图片格式都是png，高和宽均为32，并含有RGB三个通道（彩色）。图片的类别数为10，类别分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车，如图9.X所示。
+比赛数据分为训练数据集和测试数据集。训练集包含5万张图片。测试集包含30万张图片：其中有1万张图片用来计分，其他29万张不计分的图片是为了防止人工标注测试集。两个数据集中的图片格式都是png，高和宽均为32像素，并含有RGB三个通道（彩色）。图片的类别数为10，类别分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车，如图9.X所示。
 
 ![CIFAR-10图像的类别分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。](../img/cifar10.png)
 
@@ -47,7 +47,7 @@ import shutil
 * ../data/kaggle_cifar10/test/[1-300000].png
 * ../data/kaggle_cifar10/trainLabels.csv
 
-为方便快速上手，我们提供了上述数据集的小规模采样，例如仅含100个训练样本的“train_tiny.zip”和1个测试样本的“test_tiny.zip”。它们解压后的文件夹名称分别为“train_tiny”和“test_tiny”。此外，训练数据集标签的压缩文件解压后得到“trainLabels.csv”。如果你将使用上述的Kaggle比赛完整数据集，还需要把下面`demo`变量改为`False`。
+为方便快速上手，我们提供了上述数据集的小规模采样，例如仅含100个训练样本的“train_tiny.zip”和1个测试样本的“test_tiny.zip”。它们解压后的文件夹名称分别为“train_tiny”和“test_tiny”。此外，训练数据集标签的压缩文件解压后得到“trainLabels.csv”。如果你将使用上述Kaggle比赛的完整数据集，还需要把下面`demo`变量改为`False`。
 
 ```{.python .input}
 # 如果使用下载的 Kaggle 比赛的完整数据集，把下面改为 False。
@@ -61,7 +61,7 @@ if demo:
 
 ### 整理数据集
 
-我们定义下面的`reorg_cifar10_data`函数来整理数据集。整理后，同一类图片将被放在同一个文件夹下，便于我们稍后读取。该函数中的参数`valid_ratio`是验证集占原始训练集的比重。以`valid_ratio=0.1`为例，由于原始训练数据有50,000张图片，调参时将有45,000张图片用于训练并存放在路径“`input_dir`/train”，而另外5,000张图片为验证集并存放在路径“`input_dir`/valid”。
+我们定义下面的`reorg_cifar10_data`函数来整理数据集。整理后，同一类图片将被放在同一个文件夹下，便于我们稍后读取。该函数中的参数`valid_ratio`是验证集样本数与原始训练集样本数之比。以`valid_ratio=0.1`为例，由于原始训练数据集有50,000张图片，调参时将有45,000张图片用于训练并存放在路径“`input_dir`/train”，而另外5,000张图片为验证集并存放在路径“`input_dir`/valid”。
 
 ```{.python .input  n=2}
 def reorg_cifar10_data(data_dir, label_file, train_dir, test_dir, input_dir,
@@ -112,11 +112,11 @@ def reorg_cifar10_data(data_dir, label_file, train_dir, test_dir, input_dir,
 
 ```{.python .input  n=3}
 if demo:
-    # 注意：此处使用小训练集。Kaggle 比赛的完整数据集应包括 5 万训练样本。
+    # 注意：此处使用小训练集。
     train_dir = 'train_tiny'
-    # 注意：此处使用小测试集。Kaggle 比赛的完整数据集应包括 30 万测试样本。
+    # 注意：此处使用小测试集。
     test_dir = 'test_tiny'
-    # 注意：此处相应使用小批量。使用 Kaggle 比赛的完整数据集时可设较大的整数。
+    # 注意：此处将批量大小相应设小。使用 Kaggle 比赛的完整数据集时可设较大整数。
     batch_size = 1
 else:
     train_dir = 'train'
@@ -131,18 +131,20 @@ reorg_cifar10_data(data_dir, label_file, train_dir, test_dir, input_dir,
                    valid_ratio)
 ```
 
-## 增广数据
+## 图片增广
 
-为应对过拟合，我们在这里使用`transforms`来增广数据。例如，加入`transforms.RandomFlipLeftRight()`即可随机对图片做镜面反转。我们也通过`transforms.Normalize()`对彩色图像RGB三个通道分别做标准化。以下列举了部分操作。这些操作可以根据需求来决定是否使用，它们的超参数也都是可调的。
+为应对过拟合，我们在这里使用`transforms`来增广数据。例如，加入`transforms.RandomFlipLeftRight()`即可随机对图片做镜面反转。我们也通过`transforms.Normalize()`对彩色图像RGB三个通道分别做标准化。以下列举了部分操作。这些操作可以根据需求来决定是否使用或修改。
 
 ```{.python .input  n=4}
 transform_train = transforms.Compose([
-    # 随机按照 scale 和 ratio 裁剪，并放缩为 32 x 32 的正方形。
-    transforms.RandomResizedCrop(32, scale=(0.08, 1.0),
-                                 ratio=(3.0/4.0, 4.0/3.0)),
+    # 将图片放大成高和宽各为 40 像素的正方形。
+    transforms.Resize(40),
+    # 随机对高和宽各为 40 像素的正方形图片裁剪出面积为原图片面积 0.64 到 1 倍之间的小正方
+    # 形，再放缩为高和宽各为 32 像素的正方形。
+    transforms.RandomResizedCrop(32, scale=(0.64, 1.0), ratio=(1.0, 1.0)),
     # 随机左右翻转图片。
     transforms.RandomFlipLeftRight(),
-    # 将图片像素值缩小到（0, 1）内，并将数据格式从“高*宽*通道”改为“通道*高*宽”。
+    # 将图片像素值按比例缩小到 0 和 1 之间，并将数据格式从“高*宽*通道”改为“通道*高*宽”。
     transforms.ToTensor(),
     # 对图片的每个通道做标准化。
     transforms.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010])
@@ -344,10 +346,9 @@ df.to_csv('submission.csv', index=False)
 
 ## 练习
 
-* 使用Kaggle比赛的完整CIFAR-10数据集。把`batch_size`和`num_epochs`分别改为128和100。看看你可以在这个比赛中拿到什么样的准确率和名次？
+* 使用Kaggle比赛的完整CIFAR-10数据集。把批量大小`batch_size`和迭代周期数`num_epochs`分别改为128和100。看看你可以在这个比赛中拿到什么样的准确率和名次？
 * 如果不使用增强数据的方法能拿到什么样的准确率？
-* 在`transforms.RandomResizedCrop`前依次添加以下数据增广操作（使用逗号隔开）：transforms.CenterCrop(32)、transforms.RandomFlipTopBottom()、transforms.RandomColorJitter(brightness=0.0, contrast=0.0, saturation=0.0, hue=0.0)、transforms.RandomLighting(0.0)、transforms.Cast('float32')和transforms.Resize(32)。调一调它们的超参数。对结果有什么影响？
-* 扫码直达讨论区，在社区交流方法和结果。相信你一定会有收获。
+* 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？
 
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1545/)
 

chapter_supervised-learning/kaggle-gluon-kfold.md

@@ -259,7 +259,7 @@ train_and_pred(num_epochs, verbose_epoch, train_features, test_features,
 * 在Kaggle提交本教程的预测结果。观察一下，这个结果能在Kaggle上拿到什么样的分数？
 * 对照$K$折交叉验证结果，不断修改模型（例如添加隐藏层）和调参，你能提高Kaggle上的分数吗？
 * 如果不使用本节中对连续数值特征的标准化处理，结果会有什么变化?
-* 扫码直达讨论区，在社区交流方法和结果。相信你一定会有收获。
+* 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？
 
 
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1039)