超级会员免费看
数据增强通过变换原始数据集，如翻转、旋转和颜色空间变换，生成新样本，有效提升模型的泛化能力和鲁棒性，防止过拟合。这种方法能帮助模型在面对未曾见过的数据时，如戴头盔的猫咪，也能准确识别。
在做一些图像分类训练任务时，我们经常会遇到一个很尴尬的情况，那就是：
明明训练数据集中有很多可爱猫咪的照片，但是当我们给训练好的模型输入一张戴着头盔的猫咪进行测试时，模型就不认识了，或者说识别精度很低。
很明显，模型的泛化能力太差，难道戴着头盔的猫咪就不是猫咪了吗？
今天就来说一个可以解决这类尴尬问题的方法，不需要从模型算法上下功夫，而是从训练数据集上下功夫。
那就是数据增强，查看链接：数据增强让模型更加鲁棒。
1、什么是数据增强
数据增强是一种通过对原始数据集进行变换，生成新的训练样本的技术。
这些变换包括图像翻转、旋转、缩放、裁剪以及其他各种手法。
通过引入这些变化，可以有效地扩充数据集的
订阅专栏 解锁全文
扫一扫
835
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
