Навчання конвюнкційних нейромереж (CNN) може бути складним завдяки різним поширеним підводним водоспадам. Розуміння цих питань та їх рішень можуть підвищити продуктивність моделі та ефективність тренувань.

Наряди

Настроювання відбувається, коли CNN дізнається про навчальні дані, зокрема шуму та позачергів, що призводить до низької узагальненості до нових даних. Це часто призводить до високої точності підготовки, але низької точності перевірки.

Для вирішення перенарядки використовуються такі методи, як аугментація даних, випадок і ранній пуск. Ці методи допомагають моделі краще запобігати її від перекриття занадто сильно на конкретних прикладах підготовки.

Підбір

Підходить, коли модель занадто проста або не навчається довго, щоб захопити основні візерунки в даних. Це призводить до бідної продуктивності на обох навчальних і валідційних даних.

Підвищення складності моделі, підготовка до більш епох, або перенапруження гіперпараметрів може допомогти пом'якшити підживлення. Принад достатній рівень різноманітності даних також важливо.

Проблеми курсу навчання

Контроль швидкості навчання, скільки змінних розмірів моделі під час тренувань. Курс навчання, який занадто високий може викликати модель для дивержіння, при цьому занадто низький рівень може уповільнити тренування або викликати її, щоб отримати качка.

Використовуючи графіки навчання або адаптивні оптимізатори, такі як Адам може допомогти підтримувати оптимальну швидкість навчання протягом усього навчання, покращувати конвергенцію та продуктивність моделі.

Недостатні дані або засоби для засвоєння

Обмежені дані можуть перешкоджати здатності CNN вивчати загальні функції. Незбалансовані класи можуть з'являти модель до більшості класів, що знижує точність на уроках меншості.

До послуг гостей також надаються послуги з збору даних, а також використання методів, таких як класна вага або перенадання для балансу.