Programma Les 89 van 246 · Module 7: Werken met nieuwe data
Module 7: Werken met nieuwe data

Meer data gratis (augmentation)

Waarom dit ertoe doetHet verzamelen van data is duur. Vaak kun je meer verdienen door de voorbeelden die je hebt aan te passen op manieren die hun antwoord niet veranderen.

De testcijfers hier zijn iets uit het midden geschreven: verschoven met maximaal één pixel. Een model dat alleen op gecentreerde cijfers is getraind heeft dat nooit gezien en scoort slecht. Voeg dus verschoven kopieën van elk trainingscijfer toe: het label blijft hetzelfde, want een 3 die één pixel naar links is verplaatst is nog steeds een 3.

Niet elke wijziging is veilig

De regel voor augmentatie: maak alleen wijzigingen die het antwoord hetzelfde houden. Een gespiegelde cijfer is geen echt handschrift, en sommige flips veranderen een cijfer in iets dat dicht bij een ander ligt. Probeer het en kijk naar de score.

Augmentation: training op veranderde kopieën van je data (verschuivingen, kleine rotaties, uitsneden) die het label waar houden.

Woorden en symbolen in deze les
augmentation
veranderde kopieën van de data die het label waar houden
Jij bent aan de beurt

Schrijf shifted_copies(imgs, labs) die afbeeldingen en labels terug met alle 9 verschuivingen van elke afbeelding (bewegingen van -1, 0 of +1 pixels naar beneden en opzij, gebruikmakend van np.roll). Score daarna drie runs met fit_and_score: plain (alleen trainingsafbeeldingen), shifted (jouw kopieën) en flipped (trainingsafbeeldingen plus links-rechts gespiegelde kopieën). Zet harmful op de naam van de run die slecht presteerde.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.