13｜深度学习（下）：3招提升神经网络预测准确率
数据方面的考量：图像数据增广
荧光笔
直线
曲线- 深入了解
- 翻译
- 解释
- 总结
本文介绍了神经网络模型性能优化的方法，包括数据增广、Dropout层的添加以及不同类型的神经网络优化器的选择和应用。数据增广通过对图像进行水平翻转、位移、颜色抖动等操作来增加数据量，提高模型的泛化能力；Dropout层的添加可以防止过拟合，提高神经网络的泛化能力；而选择合适的神经网络优化器可以优化模型的训练效果。文章还提供了在Keras中使用ImageDataGenerator工具定义数据增广器的示例代码，并展示了数据增广对卷积神经网络模型性能的显著提升。此外，文章还提出了三个思考题，鼓励读者在实际项目中尝试不同的优化方法，以提升模型性能。整体而言，本文为读者提供了丰富的技术内容，涵盖了数据增广和神经网络模型优化的多个方面，对于希望提升模型性能的读者具有一定的参考价值。
《零基础实战机器学习》，新⼈⾸单¥59
全部留言(3)
- 最新
- 精选
在路上佳哥好，听完这讲我有两个问题。第一，从“神经网络中的局部最低点”这张图来看，很容易看出哪个点是全局最低点，在任意时刻模型的数据都是确定的，也就是这张图代表的函数是确定的，为什么神经网络的参数不能直接根据函数找到全局最低点呢？第二，如果我在事后都不能解释Adam优化器为什么比RMSProp更优，那指不定那天我又要调整参数了，这个过程听着怎么一点都不智能。作者回复: 嗯，神经网络存在着解释性比较差这个问题。这也是公认的，它就是一个黑盒子，解决了问题，但是很难说清如何解决的。而全局最低点，在整个网络中非常难找，因为网络的拟合空间远远比那张图显示处理的复杂的多得多，而且多维空间是根本展示不出来的。Andrew Ng在它的斯坦福机器学习课里面说：找到一个不错的局部最低点就挺好的了。因此不必纠结于全局最低点。😝😝 也因此，“迁移学习”的概念在神经网络这儿有很多的应用，也就是，使用大量的已经调好了的，参数都定下来了的大型神经网络来解决工业级别的问题。 比如： 牛津 VGG 模型（http://www.robots.ox.ac.uk/~vgg/research/very_deep/） 谷歌 inception 模型（https://github.com/tensorflow/models/tree/master/inception） 微软 ResNet 模型（https://github.com/KaimingHe/deep-residual-networks） 谷歌 Word2vec 模型（https://code.google.com/archive/p/word2vec/） 然后，我们直接就在这些大型网络模型的基础上，进行很少的微调即可。这种预训练好了的大型网络的迁移，在Keras中也很容易实现的。（可以参考《Python深度学习》一书） 我们这里，就只是简单的介绍有这些参数可调，也就只是这样，那么进一步利用深度网络解决大型问题。那就需要用到这些预训练好了的网络。 当然，也有神经网络自动调参的方法，可以搜索AutoML（自动化机器学习）的一些文章。这些，都需要时间和精力进一步研究。
2021-09-2735- Matthew在看这个专栏前，我把李沐大神的《动手学深度学习》啃了一段时间，再来看专栏的11-13讲，还是有点感觉得。李沐大神的课程有从零实现的部分，而这个专栏侧重于调用API，相得益彰。
作者回复: 哎呀，实在不敢与大神比较🤯。我希望能够从纯实践的角度提供一点点思路。
2023-06-01归属地：江苏 
iff老师，您好，LSTM预测某一数据时（时间序列数据），发现训练集和测试集中预测值和真实值之间均存在延迟现象，请问一下，这是什么原因，怎么解决？作者回复: 你好，试一试反复运行，调整轮次，调整网络层数，加入一些Dropout层，之后，还都有这个问题吗？在我调试的过程中，并没有发现明显的滞后现象。可以试着调一下网络结构。 不过，在这里，我这个例子其实重点不是为了展示预测有多准，这个数据集信息量也很小。我觉得预测未来的数字其实是很难做到的，更多的是去理解RNN网络的应用场景，初步掌握神经网络的训练、调参过程。
2021-09-282