Η κατάρτιση των συνεσταλμένων νευρωνικών δικτύων (CNN) μπορεί να είναι προκλητική λόγω διαφόρων κοινών παγίδων.

Υπερταίριασμα

Η υπερβολική προσαρμογή συμβαίνει όταν ένα CNN μαθαίνει τα δεδομένα κατάρτισης πολύ καλά, συμπεριλαμβανομένου του θορύβου και των απωλειών, με αποτέλεσμα την κακή γενίκευση σε νέα δεδομένα.

Για να αντιμετωπιστούν οι υπερπροσαρμοσμένες τεχνικές, όπως η αύξηση των δεδομένων, η διακοπή και η πρόωρη διακοπή χρησιμοποιούνται συνήθως.

Υποχρεωτική

Η υποκατάρτιση συμβαίνει όταν το μοντέλο είναι πολύ απλό ή δεν εκπαιδεύεται αρκετά για να συλλάβει τα υποκείμενα πρότυπα στα δεδομένα. Αυτό έχει ως αποτέλεσμα την κακή απόδοση τόσο σε σύνολα δεδομένων κατάρτισης όσο και επικύρωσης.

Η αύξηση της πολυπλοκότητας των μοντέλων, η κατάρτιση για περισσότερες εποχές, ή τα υπερπαράμετρα συντονισμού μπορούν να βοηθήσουν στον μετριασμό της υποκατηγορίας.

Θέματα ποσοστού μάθησης

Το ποσοστό μάθησης ελέγχει πόσο πολύ τα βάρη του μοντέλου ενημερώνονται κατά τη διάρκεια της κατάρτισης. Ένα ποσοστό μάθησης που είναι πολύ υψηλό μπορεί να προκαλέσει το μοντέλο να αποκλίνει, ενώ ένα πολύ χαμηλό ποσοστό μπορεί να επιβραδύνει την εκπαίδευση ή να προκαλέσει να κολλήσει.

Χρησιμοποιώντας προγράμματα ρυθμού μάθησης ή προσαρμοστικούς βελτιστοποιητές όπως ο Adam μπορεί να βοηθήσει να διατηρηθεί ένα βέλτιστο ποσοστό μάθησης σε όλη την κατάρτιση, βελτιώνοντας τη σύγκλιση και την απόδοση μοντέλου.

Ανεπαρκή δεδομένα ή ανισορροπημένες κατηγορίες

Περιορισμένα δεδομένα μπορούν να παρεμποδίσουν την ικανότητα του CNN να μαθαίνει γενικά χαρακτηριστικά. Οι ανισόρροπες τάξεις μπορούν να μεροληπτήσουν το μοντέλο προς τις τάξεις πλειοψηφίας, μειώνοντας την ακρίβεια στις τάξεις μειοψηφίας.

Οι λύσεις περιλαμβάνουν τη συλλογή περισσότερων δεδομένων, την εφαρμογή της αύξησης των δεδομένων και τη χρήση τεχνικών όπως η στάθμιση κλάσης ή η υπερδειγματοληπτική για την ισορροπία των κατηγοριών.