Neural network 图像增强有帮助吗?
我正在尝试建立cnn模型(keras),它可以根据用户的情绪对图像进行分类。我的数据有问题。我有非常小的训练数据。扩充数据会有帮助吗?它能提高准确性吗?在这种情况下,我们应该选择增加数据,并且应该避免?是的,数据增加确实有帮助,有时确实是必要的。(但看看马丁·托马的回答,这里有更多的细节和一些重要的“小心”) 您应该在以下情况下使用它:Neural network 图像增强有帮助吗?,neural-network,deep-learning,classification,Neural Network,Deep Learning,Classification,我正在尝试建立cnn模型(keras),它可以根据用户的情绪对图像进行分类。我的数据有问题。我有非常小的训练数据。扩充数据会有帮助吗?它能提高准确性吗?在这种情况下,我们应该选择增加数据,并且应该避免?是的,数据增加确实有帮助,有时确实是必要的。(但看看马丁·托马的回答,这里有更多的细节和一些重要的“小心”) 您应该在以下情况下使用它: 你的数据太少了 您注意到您的模型太容易过度拟合(可能是模型太强大) 过度拟合是指当模型能够记忆数据时发生的情况。然后,它得到了极好的精度训练数据,但可怕的准
- 你的数据太少了
- 您注意到您的模型太容易过度拟合(可能是模型太强大)
增加训练数据的大小将使模型更难记忆。这里或那里的细微变化将使您的模型不再关注那些毫无意义的细节(但能够在图像之间创建差异),而是开始关注那些确实会产生预期效果的细节 是的,数据扩充真的很有帮助,有时确实很有必要。(但看看马丁·托马的回答,这里有更多的细节和一些重要的“小心”) 您应该在以下情况下使用它:
- 你的数据太少了
- 您注意到您的模型太容易过度拟合(可能是模型太强大)
- 当您没有足够的数据->扩充
- 避免在你无法说出增强后的情绪的情况下进行增强。因此,在字符识别的情况下,旋转是一个坏主意(例如,由于
或6 vs 9
或u vs n
)\rightarrow vs\nearrow
- 当您没有足够的数据->扩充
- 避免在你无法说出增强后的情绪的情况下进行增强。因此,在字符识别的情况下,旋转是一个坏主意(例如,由于
或6 vs 9
或u vs n
)\rightarrow vs\nearrow