Chương trình học Bài 89 trên tổng số 246 · Mô-đun 7: Làm việc trên dữ liệu mới
Mô-đun 7: Làm việc trên dữ liệu mới

Thêm dữ liệu miễn phí (tăng cường dữ liệu)

Vì sao điều này quan trọng Thu thập dữ liệu thì tốn kém. Thường bạn có thể tạo thêm bằng cách thay đổi các ví dụ bạn có theo những cách không thay đổi câu trả lời của chúng.

Các chữ số kiểm thử ở đây được viết hơi lệch tâm: dịch tới một điểm ảnh. Một mô hình chỉ được huấn luyện trên các chữ số căn giữa chưa từng thấy điều đó, và đạt điểm kém. Vậy hãy thêm các bản sao đã dịch của mỗi chữ số huấn luyện: nhãn giữ nguyên, vì một số 3 dịch sang trái một điểm ảnh vẫn là số 3.

Không phải mọi thay đổi đều an toàn

Quy tắc của việc tăng cường dữ liệu: chỉ làm những thay đổi giữ nguyên câu trả lời. Một chữ số bị lật gương không phải chữ viết tay thật, và một số phép lật biến một chữ số thành thứ gì đó gần với một chữ số khác. Hãy thử và xem điểm số.

Tăng cường dữ liệu (augmentation): huấn luyện trên các bản sao đã thay đổi của dữ liệu (dịch, xoay nhẹ, cắt) mà vẫn giữ nhãn đúng.

Từ và ký hiệu trong bài học này
tăng cường dữ liệu
các bản sao đã thay đổi của dữ liệu mà vẫn giữ nhãn đúng
Đến lượt bạn

Viết shifted_copies(imgs, labs) trả về các ảnh và nhãn với cả 9 phép dịch của mỗi ảnh (dịch -1, 0 hoặc +1 điểm ảnh theo chiều dọc và chiều ngang, dùng np.roll). Rồi chấm điểm ba lần chạy bằng fit_and_score: plain (chỉ ảnh huấn luyện), shifted (các bản sao của bạn) và flipped (ảnh huấn luyện cộng các bản sao lật gương trái-phải). Gán harmful là tên của lần chạy đã gây hại.

Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này

Bài tập này sẽ sớm mở.

Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.