المنهج الدراسي الدرس 89 من 246 · الوحدة 7: العمل على بيانات جديدة
الوحدة 7: العمل على بيانات جديدة

بيانات أكثر مجانا (augmentation)

لماذا هذا مهمجمع البيانات مكلف. غالبا يمكنك كسب المزيد عن طريق تغيير الأمثلة التي لديك بطرق لا تغير إجابتها.

أرقام الاختبار هنا مكتوبة بعيداً قليلاً عن المركز: مزاحة بمقدار بكسل واحد كحد أقصى. النموذج الذي تدرب فقط على أرقام متمركزة لم يرَ ذلك من قبل، ويحقق نتائج ضعيفة. لذا أضف نسخاً مزاحة من كل رقم تدريب: يبقى الملصق كما هو، لأن الرقم 3 الذي تحرك بكسل واحد لليسار لا يزال 3.

ليس كل تغيير آمنا

قاعدة التوسيع: قم فقط بالتغييرات التي تحافظ على الإجابة كما هي. الرقم المرآتي ليس خط يد حقيقيا، وبعض الانعكاسات تحول رقما واحدا إلى شيء قريب من رقم آخر. جرب ذلك وراقب النتيجة.

Augmentation: التدريب على نسخ معدلة من بياناتك (إزاحات، دورانات صغيرة، قص) تحافظ على صحة التصنيف.

الكلمات والرموز في هذا الدرس
augmentation
نسخ معدلة من البيانات التي تحافظ على صحة التسمية
دورك

اكتب shifted_copies(imgs, labs) التي تعيد الصور والتسميات مع جميع الإزاحات التسعة لكل صورة (تحركات بمقدار -1 أو 0 أو +1 بكسل للأسفل وللأعلى وللجانبين، باستخدام np.roll). ثم قم بتقييم ثلاث جولات باستخدام fit_and_score: plain (صور التدريب فقط)، shifted (نسخك) و flipped (صور التدريب بالإضافة إلى النسخ المعكوسة يميناً ويساراً). اضبط harmful على اسم الجولة التي كانت سيئة.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.