网络模型训练技巧

数据增强(Data Augmentation)

事先对图像数据进行处理。比如有10万的数据，现在对这些数据都进行一次变换，那么就有了20万数据。

最常见的操作就是对数据进行翻倍，翻10-20倍都是有可能的。

水平翻转，这种操作最常见也最实用，因为没有任何瑕疵。

当出现例如人脸被部分遮住的情况，为了让计算机识别这种，我们可以人为的加上这种遮蔽现象。这种处理可以使得模型的泛化能力更强。在实际情况中我们要裁剪到什么的大小才合理呢？拿最终效果来评估。

最常见的操作是translation [-20,20],rotation [-10°,10°]，对数据进行随机的选择并非认为设定。

利用别人训练好的模型权重参数，来作为自己模型的初始权重参数。比自己从0开始训练模型效果要好得多。在数据量小的情况下 我们需要对其进行微调。当数据量可以的时候，我们可以固定其中的一部分，训练剩下的那部分。

在利用别人训练好的模型参数时要注意别人的任务类型和自己的一不一致？

公开的模型库资源地址。