Wie können Deep-Learning-Modelle mithilfe kleiner Datensätze verbessert werden?

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​

​Handouts​

​zum 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!