文本分类；数据增强；模型微调

loveheart123

于 2020-02-25 21:55:18 发布

阅读量515

点赞数

分类专栏：深度学习课程文章标签：人工智能深度学习大数据

本文链接：https://blog.youkuaiyun.com/loveheart123/article/details/104506488

版权

本文介绍了深度学习中的两种重要技术：数据增强和模型微调。数据增强通过随机变换训练图像来扩大训练集，提高模型泛化能力。在图像识别任务中，如椅子分类，如果数据量有限，可以采用迁移学习中的微调技术，利用预训练模型在大规模数据集（如ImageNet）学到的知识，调整输出层以适应新任务，并在目标数据集上进行训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录
文本分类
图像增广
微调（迁移学习）
文本分类

图像增广
大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。可以说，在当年AlexNet的成功中，图像增广技术功不可没。

定义绘图函数show_images

本函数已保存在d2lzh_pytorch包中方便以后使用

def show_images(imgs, num_rows, num_cols, scale=2):
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
for i in range(num_rows):
for j in range(num_cols):
axes[i][j].imshow(imgs[i * num_cols + j])
axes[i][j].axes.get_xaxis().set_visible(False)
axes[i][j].axes.get_yaxis().set_visible(False)
return axes

此函数可以绘制多张图片，图片数量为num_rows*num_cols