Programma Lezione 89 di 246 · Modulo 7: Lavorare su dati nuovi
Modulo 7: Lavorare su dati nuovi

Più dati gratis (augmentation)

Perché è importante Raccogliere dati costa. Spesso puoi crearne altri cambiando gli esempi che hai in modi che non cambiano la loro risposta.

Le cifre di test qui sono scritte un po' fuori centro: spostate fino a un pixel. Un modello addestrato solo su cifre centrate non l'ha mai visto, e ottiene un punteggio scarso. Quindi aggiungi copie spostate di ogni cifra di addestramento: l'etichetta resta la stessa, perché un 3 spostato di un pixel a sinistra resta un 3.

Non ogni cambiamento è sicuro

La regola dell'augmentation: fai solo cambiamenti che mantengono la stessa risposta. Una cifra specchiata non è vera scrittura a mano, e alcuni ribaltamenti trasformano una cifra in qualcosa di simile a un'altra. Provalo e guarda il punteggio.

Augmentation: addestrare su copie modificate dei tuoi dati (spostamenti, piccole rotazioni, ritagli) che mantengono vera l'etichetta.

Parole e simboli di questa lezione
augmentation
copie modificate dei dati che mantengono vera l'etichetta
Tocca a te

Scrivi shifted_copies(imgs, labs) che restituisce immagini ed etichette con tutti e 9 gli spostamenti di ogni immagine (movimenti di -1, 0 o +1 pixel in giù e di lato, usando np.roll). Poi valuta tre esecuzioni con fit_and_score: plain (solo immagini di addestramento), shifted (le tue copie) e flipped (immagini di addestramento più copie specchiate sinistra-destra). Imposta harmful sul nome dell'esecuzione che ha peggiorato le cose.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.