倦了也不要停!最后一部分了!
开源实现
得到作者的开源实现是很方便的(从github下载)
- 找到github上要下载的地址
- 在命令提示符中使用 git clone + 下载链接
迁移学习
- 用开源的,其他人训练好的权重、代码等数据为自己的神经网络做初始化
- 其它层视作冷冻层freeze,只关注自己构建的的softmax输出,只训练特定层的权重
- 预计算
- 对于更大的数据集,减少冻结的层数
- 一个很大的数据集,用下载的权重作初始化,做梯度下降训练
数据扩充
镜像对称和随机剪裁等
Color shifting
更改RGB数值改变颜色
Implementing distortions during training
计算机视觉现状
Two sources of knowledge
- Labeled data
- Hand engineered(手工工程) features/network architecturelother components
Data vs. hand-engineering
数据量的多少决定工作方式
下面是一些在基准测试中表现良好的小技巧
Tips for doing well on benchmarks/winning competitions
Ensembling
- Train several networks independently and average their outputs
Multi-crop at test time
- Run classifier on multiple versions of test images and average results
- 10 crop:
Use open source code Summary
- Use architectures of networks published in the literature
- Use open source implementations if possible
- Use pretrained models and fine-tune on your dataset