Programme Leçon 89 sur 246 · Module 7 : Travailler sur de nouvelles données
Module 7 : Travailler sur de nouvelles données

Plus de données gratuitement (augmentation)

Pourquoi c'est important Collecter des données coûte cher. Souvent, tu peux en fabriquer davantage en modifiant les exemples que tu as d'une façon qui ne change pas leur réponse.

Les chiffres de test ici sont écrits un peu décentrés : décalés d'au plus un pixel. Un modèle entraîné seulement sur des chiffres centrés n'a jamais vu ça, et obtient un mauvais score. Donc ajoute des copies décalées de chaque chiffre d'entraînement : l'étiquette reste la même, parce qu'un 3 déplacé d'un pixel vers la gauche reste un 3.

Tous les changements ne sont pas sûrs

La règle de l'augmentation : ne fais que des changements qui gardent la réponse identique. Un chiffre en miroir n'est pas une vraie écriture manuscrite, et certains retournements transforment un chiffre en quelque chose de proche d'un autre. Essaie et regarde le score.

Augmentation : entraîner sur des copies modifiées de tes données (décalages, petites rotations, recadrages) qui gardent l'étiquette vraie.

Mots et symboles de cette leçon
augmentation
des copies modifiées des données qui gardent l'étiquette vraie
À ton tour

Écris shifted_copies(imgs, labs) qui renvoie des images et des étiquettes avec les 9 décalages de chaque image (déplacements de -1, 0 ou +1 pixel vers le bas et en travers, avec np.roll). Puis note trois exécutions avec fit_and_score : plain (seulement les images d'entraînement), shifted (tes copies) et flipped (les images d'entraînement plus des copies en miroir gauche-droite). Affecte à harmful le nom de l'exécution qui a fait du tort.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.