一、构建网络
框架/神经网络修改
冻结训练层
迁徙学习
激活函数relu,leakyrelu
平滑标签
二、数据结构
训练数据平衡
图片分辨率
重置train:val的数据量比例
数据增强
random-crop 随机裁剪
保存model的精准度,如1%
随机丢弃一些训练数据(一定程度避开噪音,不一定奏效)
三、成绩(调参):
epoch 介于15-20
learn rate batch影响梯度
四、性能or速度
减少验证集的量
采用轻度的框架
一、构建网络
框架/神经网络修改
冻结训练层
迁徙学习
激活函数relu,leakyrelu
平滑标签
二、数据结构
训练数据平衡
图片分辨率
重置train:val的数据量比例
数据增强
random-crop 随机裁剪
保存model的精准度,如1%
随机丢弃一些训练数据(一定程度避开噪音,不一定奏效)
三、成绩(调参):
epoch 介于15-20
learn rate batch影响梯度
四、性能or速度
减少验证集的量
采用轻度的框架