对深度学习算法相关指标的影响因素有哪些？如何减小这些因素带来的影响？
回答·14
最热
最新
- 最重要的影响就是数据和特征，模型一般都是专业人员选择的问题不大，其余影响在业务应用来看，影响不大。
- 比方说 training 好，但是 testing 与 validating 不好，那有可能是数据洗牌不够乱、epoch 过度造成 overfitting。 不过我建议还是少用炼丹术，能人工规划特征的就直接找出来给模型。
- 就是数据和模型两个方面来看，数据方面，样本是否足够，样本数据是否干净；模型方面，模型深度和复杂度是否满足当前需要，是否有做网络的优化，比如加 bn，加残差网络等，损失函数是否选择合理，训练过程中，batch 选择是否合适，是否有足够的迭代次数等等~
- 深度学习算法和指标我确实知之甚少。 厚着脸皮说一下算法相关的指标影响因素吧。 算法对于处理基础数据和呈现上层指标是一个类似于处理器，或者形象来讲是一个计算机一样的东西。 那么 这个解答也就显而易见了：1. 设计，设计需要足够准确精简，不然指标呈现都是问题更何况准确度。 2.实现，算法实现相对于普通的功能实现是比较难的，需要强大的逻辑，需要一定的梳理能力。 3.测试及预期，充分测试算法相关场景，明确预期。 一个好的算法实现需要大量时间实践成本。就算大佬也不敢肯定自己能完美无缺的实现一个普通算法。
- 我是外行，来凑热闹的。 我想说一句，做程序，第一件事要明白程序是用来干嘛的，从使用者角度，且越简单越好，不是越复杂越科技越好。 好比汽车 ABS，车主只要一脚刹车，其他的交给 ABS。 所以去研究指标的相关因素，先确定指标是对的，然后我们知道这个程序是干嘛的，然后让专业的工程师使他简单起来。
- 这个因素挺多的，数据预处理和神经网络结构以及超参数等因素都对性能指标有影响；如果仅关注超参，首先可以关注训练代数，可以用提前终止方法确定代数，避免过拟合；还有网络权重的初始值，可以移植别人类似任务且效果很好的网络作为初始权重，这样可以提高效率和效果(可以进行模型蒸馏)；步长对学习效果也有影响；当然还有很多需要结合数据调试，细节太多了
- 数据数据数据，处理良好的数据，会直接提升指标
- 首先我不是开发，我从测试的角度回答下这个问题，首先得看这个算法实现的什么功能，这样就可以有针对性的进行分析，比如算法想实现人脸检测，那就要考虑人脸角度，灯光环境，面部特征以及不同人种的因素影响等，所以就需要收集大量数据有针对性进行算法训练 以上回答，仅是个人看法
- 你作为测试小头目，这样的问题，在你们公司你直接问对应的相关开发即可，作为非深度学习算法出身的测试很难结合理论和实际回答到点子上。深度学习算法有很多，据我所知，样本量小，特征点巨多，数据倾斜，噪声数据也多，不同的样本，层数和每层神经元的个数都会有所影响。机器性能，还有就是不同的深度学习框架，，等等吧
- 这个问题的回答包括两个方面，一是不考虑数据的物理模型时，则纯粹是一种客观的因应分析，必须考虑数据数据总量下的整体特征和局部特征，进而计算超参数的初始数值，并根据数据的特征和信息求取网络权重系数的限定范围。一般泛化代表了网络的探测能力，而过拟合则代表了网络的误判率大小。二是当考虑数据的物理模型时，必须对数据的特征进行建模和映射，否则导致网络训练效率下降或者根本就没有结果，例如雷达数据，一些医学图像识别例如肺结节即使拥有大量数据结果也很不理想，主要是 CT 图像和一般光学图像的物理机制大为不同导致。 任何时候，使用神经网络都必须牢记神经网络的关键是它的非线性模拟（分类）能力。
相似问题
推荐关注
正在加载中...