2.6 解決數據不匹配問題
人工數據合成的比例不能太高,否則會導致對合成數據產生過擬合。
2.7 遷移學習
遷移學習的兩個例子:
- 圖像識別應用遷移到醫學影像識別
- 語音識別應用遷移到喚醒詞檢測
遷移學習的應用場合:
1. 任務A和任務B具有相同的輸入
2. 任務A的可用數據量遠大於任務B
3. 任務A的低層次特徵可能對任務B有所幫助
2.8 多任務學習
多任務學習的一個簡單示例:無人駕駛任務中,要同時識別行人、車輛、信號燈、路標等多種對象
神經網絡架構中的多任務學習(與softmax迴歸只檢測一種對象不同,多任務學習要同時檢測多種多種對象)
多任務學習的應用場合:
- 所訓練的不同任務之間可以共享一些低層次的特徵
- 各任務所需數據很相似
- 可以訓練一個足夠大的神經網絡以同時很好地完成所有任務
2.9 什麼是端到端的深度學習?
數據量較大時,端對端的學習也能成功,而無需將任務分成很多中間過程
人臉識別可分成兩步執行:
- 從圖像中識別出人臉
- 識別人臉屬於誰的臉(當前人臉與數據庫中的人臉數據進行一一匹配)
其他示例
2.10 是否要使用端到端的深度學習?
端對端學習的優點與缺點:
- 優點:讓數據說話;減少對手動設計的組件的依賴
- 缺點:可能需要大量數據;沒有好好利用一些有用的手動設計的組件
端對端學習的應用:
- 使用深度學習學習各個組件
- 仔細選擇X->Y映射(端對端)所需的數據