Lehrplan Lektion 89 von 246 · Modul 7: Arbeiten mit neuen Daten
Modul 7: Arbeiten mit neuen Daten

Mehr Daten kostenlos (Augmentation)

Warum das wichtig istDatensammlung ist teuer. Oft kannst du mehr verdienen, indem du die Beispiele, die du hast, auf Arten änderst, die ihre versiegelte Antwort nicht verändern.

Die Testziffern hier sind leicht dezentriert geschrieben: um bis zu ein Pixel verschoben. Ein Modell, das nur auf zentrierten Ziffern trainiert wurde, hat das noch nie gesehen und erzielt schlechte Ergebnisse. Füge also verschobene Kopien jeder Trainingsziffer hinzu: das Label bleibt gleich, weil eine 3, die ein Pixel nach links verschoben ist, immer noch eine 3 ist.

Nicht jede Änderung ist sicher

Die Regel für die Augmentierung: mache nur Änderungen, die die Antwort gleich lassen. Eine gespiegelte Ziffer ist keine echte Handschrift, und einige Umkehrungen verwandeln eine Ziffer in etwas, das einer anderen nahe kommt. Versuche es und beobachte den Score.

Augmentation: Training auf geänderten Kopien deiner Daten (Verschiebungen, kleine Rotationen, Zuschnitte), die das Label wahr lassen.

Wörter und Symbole in dieser Lektion
augmentation
geänderte Kopien der Daten, die das Label wahr halten
Du bist dran

Schreibe shifted_copies(imgs, labs) und gib Bilder und Labels mit allen 9 Verschiebungen jedes Bildes zurück (Bewegungen von -1, 0 oder +1 Pixel nach unten und zur Seite, unter Verwendung von np.roll). Dann bewerte drei Durchläufe mit fit_and_score: plain (nur Trainingsbilder), shifted (deine Kopien) und flipped (Trainingsbilder plus links-rechts gespiegelte Kopien). Setze harmful auf den Namen des Durchlaufs, der schadete.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.