本文探讨了深度学习中训练误差的分析方法，强调了对错误标注数据的关注，并提出了快速搭建系统原型并持续迭代的重要性。此外，还介绍了如何合理划分训练集、验证集和测试集以确保模型效果。
一、关于训练误差分析
二、关于错误的标注数据
背景：深度网络随机误差鲁棒性高，系统性误差鲁棒性低。
机制: 抽样分析误差分布，focus 最主要的误差部分。
方针：1.开发集和测试集需要同时修正；2.好坏都要关注； 3. 训练集可以有部分差异，同dev和testtest
吴：重视对训练误差样本的统计分析，帮助找到减小误差的最快方向。
三、快速搭建你的系统原型，不断迭代
四、在不同的划分上训练模型（让你的train数据集和test数据集来自不同分布，以此增多你的实验数据）
优先保证你的dev和test数据集最真实接近于真实的数据分布，train 数据优先级低于前两项，当zhen真实数据集不足，可以添加次真实的数据集添加用来train。 但是train 数据集建议仍旧daiy带有少量。
*不建议dev 、test 、train 均匀划分（真实+非真实)全部数据集
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
