深度学习基础

high variance/data mismatch

what is data mismatch

如果训练集和验证集的loss不一样，且验证集的loss高很多，有2种原因：
1.方差太大。模型没见过，没学习到；
2.数据不匹配。训练集和验证集的数据分布不同。

how to solve data mismatch

currently no systematic ways to solve, so try:

1. manually error analysis
2. make training and dev sets more similar.

data synthesis数据合成

make similar的方法包括数据合成。比如含有噪音的音频。
但是要注意：噪音背景需要和清晰的音频一样diverse，不能音频有1000条，噪音只有1条，要不然可能过拟合。
该方法在音频识别种效果很好。

迁移学习与预训练/微调

迁移学习是原本适用于taskA的模型同样应用在taskB。
为了能够使其适用于TaskB，需要对模型进行进一步训练，这个过程取决于taskB的样本数量。

1. 如果样本数量较少，就重新训练最后一层layer或最后几层，其他layers固定不变；
2. 如果样本数量很多，可以对整个模型重新进行训练。
   对于最终的taskB来说，taskA过程的训练就是预训练，对于taskB的训练是微调。

什么时候用迁移学习

1. taskA和taskB输入相同，如都是图片
2. taskA的样本远多于taskB
3. taskA的低层次特征low level features有助于taskB

什么时候用多任务学习

1. 多个任务有共性的低维特征；
2. 每个任务的数据集数量多比较多，不会像迁移学习一样不平衡

卷积

三维卷积

如果输入不是二维灰度图，而是一个RGB图或者高维图像，那么过滤器也会有跟高维图像相同的维度。
比如图像是6x6x3，filter是3x3x3，那么得到4x4x1。

如果想学习多个不同的特征怎么办呢？

可以使用多个filter，每个filter关注不同的特性。以上面的例子为例，假如有n个filter，那么得到4x4xn的输出。

损失

二分类损失

Focal loss

二分类损失常用的是交叉熵损失，但是这不能解决正负样本不平衡的问题，因此出现了Focal loss，对于易于分类（分类概率越高）的样本乘以较小的权重，对于不易于分类的样本乘以较大的权重。
参考：https://blog.csdn.net/BIgHAo1/article/details/121783011