


Übersetzer |. Bugatti
Rezensent |. Wie wir alle wissen, haben Deep-Learning-Modelle einen großen Bedarf an Daten. Je mehr Daten Sie Deep-Learning-Modellen zuführen, desto besser ist ihre Leistung. Leider ist dies in den meisten praktischen Situationen nicht möglich. Möglicherweise verfügen Sie nicht über genügend Daten oder die Datenerfassung ist möglicherweise zu teuer.
In diesem Artikel werden vier Möglichkeiten zur Verbesserung von Deep-Learning-Modellen erläutert, ohne mehr Daten zu verwenden.
Warum erfordert Deep Learning so viele Daten?
Deep-Learning-Modelle überzeugen, weil sie lernen können, komplexe Zusammenhänge zu verstehen. Deep-Learning-Modelle enthalten mehrere Schichten. Jede Schicht lernt, Datendarstellungen zunehmender Komplexität zu verstehen. Die erste Ebene könnte lernen, einfache Muster wie Kanten zu erkennen. Eine zweite Ebene könnte lernen, Muster in diesen Kanten zu erkennen, beispielsweise Formen. Eine dritte Schicht könnte lernen, Objekte zu erkennen, die aus diesen Formen bestehen, und so weiter.
Jede Schicht besteht aus einer Reihe von Neuronen, die wiederum mit jedem Neuron in der vorherigen Schicht verbunden sind. All diese Schichten und Neuronen bedeuten, dass viele Parameter optimiert werden müssen. Das Gute ist also, dass Deep-Learning-Modelle über leistungsstarke Funktionen verfügen. Der Nachteil besteht jedoch darin, dass sie anfällig für eine Überanpassung sind. Überanpassung bedeutet, dass das Modell zu viele Störsignale in den Trainingsdaten erfasst und nicht auf neue Daten angewendet werden kann.
Mit genügend Daten können Deep-Learning-Modelle lernen, sehr komplexe Zusammenhänge zu erkennen. Wenn Sie jedoch nicht über genügend Daten verfügen, können Deep-Learning-Modelle diese komplexen Zusammenhänge nicht verstehen. Wir müssen über genügend Daten verfügen, damit das Deep-Learning-Modell lernen kann.
Wenn es jedoch nicht möglich ist, mehr Daten zu sammeln, haben wir mehrere Techniken, um das Problem zu lösen.
1. Transferlernen hilft, Deep-Learning-Modelle mit kleinen Datensätzen zu trainieren.
Transferlernen ist eine Technik des maschinellen Lernens, bei der Sie ein auf ein Problem trainiertes Modell als Ausgangspunkt für die Lösung verschiedener verwandter Probleme verwenden können.
Zum Beispiel können Sie ein Modell, das anhand eines riesigen Datensatzes von Hundebildern trainiert wurde, als Ausgangspunkt für das Training eines Modells zur Identifizierung von Hunderassen verwenden.
Hoffentlich können die vom ersten Modell erlernten Funktionen wiederverwendet werden, was Zeit und Ressourcen spart. Es gibt keine Faustregel, wie unterschiedlich die beiden Anwendungen sind. Transferlernen kann jedoch auch dann noch verwendet werden, wenn der ursprüngliche Datensatz und der neue Datensatz sehr unterschiedlich sind.
Zum Beispiel könnten Sie ein Modell, das auf Katzenbildern trainiert wurde, als Ausgangspunkt für das Training eines Modells zur Erkennung von Kameltypen verwenden. Hoffentlich hilft die Aufklärung der Funktion der vier Beine im ersten Modell bei der Identifizierung von Kamelen.
Wenn Sie mehr über Transferlernen erfahren möchten, können Sie sich auf
"Transferlernen für die Verarbeitung natürlicher Sprache" beziehen. Wenn Sie ein Python-Programmierer sind, könnte für Sie auch „Praktisches Transferlernen mit Python“ hilfreich sein. 2. Versuchen Sie es mit der Datenerweiterung
Datenerweiterung ist eine Technik, mit der Sie vorhandene Daten übernehmen und neue synthetische Daten generieren können.
Wenn Sie beispielsweise über einen Datensatz mit Hundebildern verfügen, können Sie die Datenerweiterung nutzen, um neue Hundebilder zu generieren. Sie können dies erreichen, indem Sie das Bild zufällig zuschneiden, es horizontal spiegeln, Rauschen hinzufügen und verschiedene andere Techniken anwenden.
Wenn Sie über einen kleinen Datensatz verfügen, kann die Datenerweiterung von großem Nutzen sein. Durch die Generierung neuer Daten können Sie die Größe Ihres Datensatzes künstlich erhöhen und Ihrem Deep-Learning-Modell so mehr Daten zur Verfügung stellen, mit denen es arbeiten kann.
Diese
Handoutszum Thema Deep Learning werden Ihnen helfen, ein tieferes Verständnis der Datenerweiterung zu erlangen. 3. Verwenden Sie einen Autoencoder.
Ein Autoencoder ist ein Deep-Learning-Modell, das zum Erlernen niedrigdimensionaler Datendarstellungen verwendet wird.
Autoencoder sind nützlich, wenn Sie über einen kleinen Datensatz verfügen, da sie lernen können, Ihre Daten in einen niedrigdimensionalen Raum zu komprimieren.
Es gibt viele verschiedene Arten von Autoencodern. Variations-Autoencoder (VAEs) sind eine beliebte Art von Autoencodern. VAEs sind generative Modelle, das heißt, sie können neue Daten generieren. Dies ist sehr hilfreich, da Sie mit VAE neue Datenpunkte generieren können, die den Trainingsdaten ähneln. Dies ist eine großartige Möglichkeit, die Größe Ihres Datensatzes zu erhöhen, ohne tatsächlich mehr Daten zu sammeln.
Originaltitel:Wie man Deep-Learning-Modelle mit kleinen Datensätzen verbessert
Das obige ist der detaillierte Inhalt vonWie können Deep-Learning-Modelle mithilfe kleiner Datensätze verbessert werden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

人工智能(AI)在流行文化和政治分析中经常以两种极端的形式出现。它要么代表着人类智慧与科技实力相结合的未来主义乌托邦的关键,要么是迈向反乌托邦式机器崛起的第一步。学者、企业家、甚至活动家在应用人工智能应对气候变化时都采用了同样的二元思维。科技行业对人工智能在创建一个新的技术乌托邦中所扮演的角色的单一关注,掩盖了人工智能可能加剧环境退化的方式,通常是直接伤害边缘人群的方式。为了在应对气候变化的过程中充分利用人工智能技术,同时承认其大量消耗能源,引领人工智能潮流的科技公司需要探索人工智能对环境影响的

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

条形统计图用“直条”呈现数据。条形统计图是用一个单位长度表示一定的数量,根据数量的多少画成长短不同的直条,然后把这些直条按一定的顺序排列起来;从条形统计图中很容易看出各种数量的多少。条形统计图分为:单式条形统计图和复式条形统计图,前者只表示1个项目的数据,后者可以同时表示多个项目的数据。

arXiv论文“Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving“,2022年5月,加拿大滑铁卢大学的工作。虽然自主驾驶的监督检测和分类框架需要大型标注数据集,但光照真实模拟环境生成的合成数据推动的无监督域适应(UDA,Unsupervised Domain Adaptation)方法则是低成本、耗时更少的解决方案。本文提出对抗性鉴别和生成(adversarial d

数据通信中的信道传输速率单位是bps,它表示“位/秒”或“比特/秒”,即数据传输速率在数值上等于每秒钟传输构成数据代码的二进制比特数,也称“比特率”。比特率表示单位时间内传送比特的数目,用于衡量数字信息的传送速度;根据每帧图像存储时所占的比特数和传输比特率,可以计算数字图像信息传输的速度。

数据分析方法有4种,分别是:1、趋势分析,趋势分析一般用于核心指标的长期跟踪;2、象限分析,可依据数据的不同,将各个比较主体划分到四个象限中;3、对比分析,分为横向对比和纵向对比;4、交叉分析,主要作用就是从多个维度细分数据。

在日常开发中,对数据进行序列化和反序列化是常见的数据操作,Python提供了两个模块方便开发者实现数据的序列化操作,即 json 模块和 pickle 模块。这两个模块主要区别如下:json 是一个文本序列化格式,而 pickle 是一个二进制序列化格式;json 是我们可以直观阅读的,而 pickle 不可以;json 是可互操作的,在 Python 系统之外广泛使用,而 pickle 则是 Python 专用的;默认情况下,json 只能表示 Python 内置类型的子集,不能表示自定义的


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

DVWA
Damn Vulnerable Web App (DVWA) ist eine PHP/MySQL-Webanwendung, die sehr anfällig ist. Seine Hauptziele bestehen darin, Sicherheitsexperten dabei zu helfen, ihre Fähigkeiten und Tools in einem rechtlichen Umfeld zu testen, Webentwicklern dabei zu helfen, den Prozess der Sicherung von Webanwendungen besser zu verstehen, und Lehrern/Schülern dabei zu helfen, in einer Unterrichtsumgebung Webanwendungen zu lehren/lernen Sicherheit. Das Ziel von DVWA besteht darin, einige der häufigsten Web-Schwachstellen über eine einfache und unkomplizierte Benutzeroberfläche mit unterschiedlichen Schwierigkeitsgraden zu üben. Bitte beachten Sie, dass diese Software

PHPStorm Mac-Version
Das neueste (2018.2.1) professionelle, integrierte PHP-Entwicklungstool

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

MinGW – Minimalistisches GNU für Windows
Dieses Projekt wird derzeit auf osdn.net/projects/mingw migriert. Sie können uns dort weiterhin folgen. MinGW: Eine native Windows-Portierung der GNU Compiler Collection (GCC), frei verteilbare Importbibliotheken und Header-Dateien zum Erstellen nativer Windows-Anwendungen, einschließlich Erweiterungen der MSVC-Laufzeit zur Unterstützung der C99-Funktionalität. Die gesamte MinGW-Software kann auf 64-Bit-Windows-Plattformen ausgeführt werden.

ZendStudio 13.5.1 Mac
Leistungsstarke integrierte PHP-Entwicklungsumgebung
