1、pooling层的作用?
1)减少参数
2)鲁棒性、抗扰动性增强(输入像素在邻域内发生微小位移时,输出不变)
2、下采样:对信号的抽取,连续->离散
上采样:也叫增取样,离散->连续
3、数据增强的方法
1)有监督数据增强(采用预设的数据变换规则,在已有数据的基础上进行数据的扩增)
单样本数据增强:翻转,旋转,裁剪,变形,缩放(几何变换)
噪声、模糊、颜色变换、擦除、填充(颜色变换)
多样本数据增强:SamplePairing:处理后可使训练集的规模从N扩增到N×N
2) 无监督数据增强
----通过模型学习数据的分布,随机生成与训练数据集分布一致的图片,代表方法GAN
---- 通过模型,学习出适合当前任务的数据增强方法,代表方法AutoAugment
4、过拟合(overfitting)
概念:随着训练过程的进行,模型对于训练集的误差越来越小,却不能很好地拟合验证集。(泛化能力差)
如何判断?训练集准确度高,验证集准确度低。
原因:---神经网络学习能力过强
---训练时间太久
---激活函数不合适
---训练集太少
解决方法:降低模型复杂度、及时停止、正则化、增强数据集、dropout(随机删除部分隐层单元)
欠拟合: