翻译|布加迪评论家|孙淑娟众所周知，深度学习模型对数据的需求量很大。您为深度学习模型提供的数据越多，它们的表现就越好。不幸的是，这在大多数实际情况下是不可能的。您可能没有足够的数据，或者收集起来可能过于昂贵。本文将讨论在不使用更多数据的情况下改进深度学习模型的四种方法。为什么深度学习需要这么多数据？深度学习模型之所以引人注目，是因为它们可以学习理解复杂的关系。深度学习模型由多个层组成。每一层都学习理解越来越复杂的数据表示。第一层可能会学习检测简单的模式，例如边缘。第二层可能会学习查看这些边缘中的模式，例如形状。第三层可能会学习识别由这些形状构成的物体，等等。每层由一系列神经元组成，这些神经元依次连接到前一层中的每个神经元。所有这些层和神经元意味着有很多参数需要优化。所以好处是深度学习模型很强大。但缺点是它们容易过度拟合。过拟合是指模型在训练数据中捕获了过多的噪声信号，无法应用于新数据。有了足够的数据，深度学习模型就可以学会检测非常复杂的关系。但是，如果您没有足够的数据，深度学习模型将无法理解这些复杂的关系。我们必须有足够的数据，深度学习模型才能学习。但是，如果无法收集更多数据，我们有几种技术需要克服。1.迁移学习有助于用小数据集训练深度学习模型。迁移学习是一种机器学习技术，您可以采用针对一个问题训练的模型，并将其用作解决相关的不同问题的起点。例如，您可以采用在大型狗图像数据集上训练的模型，并将其用作训练模型以识别狗品种的起点。希望第一个模型学到的特征可以重复使用，从而节省时间和资源。没有关于这两个应用程序有多大不同的经验法则。然而，即使原始数据集和新数据集完全不同，也可以使用迁移学习。例如，您可以采用在猫的图像上训练的模型，并将其用作训练模型以识别骆驼类型的起点。希望弄清楚第一个模型中四条腿的功能可能有助于识别骆驼。要了解有关迁移学习的更多信息，请参阅《自然语言处理的迁移学习》。如果您是Python程序员，您可能还会发现《使用Python实际动手迁移学习》有帮助。2.试验数据扩充数据扩充是一种利用现有数据并生成新的合成数据的技术。例如，如果您有一个狗图像数据集，您可以使用数据增强来生成新的狗图片。您可以通过随机裁剪图像、水平翻转图像、添加噪点和其他几种技术来做到这一点。如果你有一个小数据集，数据扩充可能是有益的。通过生成新数据，您可以人为地增加数据集的大小，为您的深度学习模型提供更多数据来处理。这些关于深度学习的讲义将帮助您深入了解数据增强。3.使用自动编码器自动编码器是一种用于学习低维数据表示的深度学习模型。当你有一个小数据集时，自动编码器很有用，因为它们可以学习将你的数据压缩到低维空间中。有许多不同类型的自动编码器。变分自动编码器(VAE)是一种流行的自动编码器。VAE是生成模型，这意味着它们生成新数据。这有很大帮助，因为您可以使用VAE生成类似于训练数据的新数据点。这是在不实际收集更多数据的情况下增加数据集大小的好方法。原标题：HowtoImproveDeepLearningModelsWithSmallDatasets
