为什么机器学习具有特殊性

针对机器学习的软件特性

在传统软件中，缺陷通常表现得更为明显。而在机器学习（ML）软件中，缺陷更容易被掩盖。考虑以下代码片段，它来自一个计算机视觉处理流程中的简单函数：

1def extract_angle_from_warp_matrix(rotation_matrix: np.ndarray) -> np.float:
2    # 从变换矩阵中提取旋转角度（单位：度）
3    return np.rad2deg(np.arctan2(-rotation_matrix[1, 0], rotation_matrix[1, 1]))

即使是代码的编写者（可能熟悉该领域的人）也可能难以判断这段代码是否正确。rotation_matrix[1, 0] 前面的负号 - 是必要的吗？这个数组的结构是什么样的？如果没有额外参考资料，我们可能很难准确回忆。

对于传统软件，问题通常更直观，运行代码或仔细阅读代码往往就能发现错误。然而，在机器学习相关软件中，缺陷可能长期未被察觉，最终影响模型的性能。

动手尝试

请检查下面的代码是否存在缺陷。如果存在，请根据提示尝试修复该问题。

1from skimage.transform import AffineTransform
2from skimage.data import astronaut
3
4import cv2 
5import numpy as np
6
7# 1. 找出这段代码中的缺陷
8# 2. 完善测试代码以检测该缺陷
9# 3. 修复该缺陷，确保测试能够通过
10
11def aligned_image(image: np.ndarray) -> np.ndarray:
12    transform = AffineTransform(rotation=np.deg2rad(45))
13    width, height, channels = image.shape
14    aligned = cv2.warpPerspective(image, transform.params, dsize=(width, height))
15    return aligned
16
17
18def test_aligned_image(aligned_image: np.ndarray) -> None:
19    image = astronaut()[:300, :, :]
20    aligned = aligned_image(image)
21    assert ...

机器学习软件中的常见缺陷

以下是机器学习相关软件中一些常见的典型问题：

• 训练/测试阶段或研究/生产环境之间预处理方式或特征工程不一致。
• 数值计算问题（例如除零导致的溢出或 nan 值）。
• 错误使用数组维度或出现意外的广播行为。
• 在图像处理中混淆 x 和 y 坐标（或将 width 与 height 混淆）。
• 不同库之间的接口或行为不匹配。
• 欠拟合与过拟合问题（包括数据泄露）。
• 模型漂移（概念漂移、数据漂移以及上游数据变化）。

以上列表并不完整，但这些问题是在实际开发中最常遇到的几类缺陷。