00:00 / 14:52
连播
清屏
智能
倍速
点赞83
00:00 / 02:07
连播
清屏
智能
倍速
点赞977
00:00 / 02:23
连播
清屏
智能
倍速
点赞167
模型baseline跑通后如何改进涨点(上) 🍁给大家分享代码跑通后的实战涨点经验。 1️⃣先啃数据,这是最稳、最容易涨点的突破口。 无数次实战证明模型涨点,数据永远是第一位。代码跑通后,第一步绝对不是调模型、改结构,先把数据处理从头到尾捋一遍,90%的项目,都能在数据端捡1-3个点,这是性价比最高的优化步骤。 🍃(1)数据增强:别再用基础翻转裁剪,进阶增强直接涨点。 很多人做增强,还停留在随机翻转、随机裁剪、归一化这种基础操作,对精度提升微乎其微,想要有效涨点,直接上自适应/随机增强策略。 ✅ AutoAugment:自动化搜索最优增强组合,适配大部分分类任务,不用自己手动调增强组合,省心又有效 ✅ RandAugment:比AutoAugment更轻量,实现简单,泛用性极强,几乎不挑任务,常规任务直接用,稳涨1-2个点。 别觉得增强是小事,优质的增强策略,能直接弥补数据量不足、泛化性差的问题,相当于无痛扩充有效数据集,模型见过的样本更多,自然准确率更高。 🍃(2)混合增强:小改动大提升,泛化性直接拉满。 如果想再冲一波精度,MixUp、CutMix绝对是闭眼用的神技。实现起来超级简单,就几行代码,完全不增加推理成本,通过样本融合、局部替换的方式,有效避免模型过拟合,让决策边界更合理,尤其针对分类任务,泛化能力提升特别明显,点数涨得又稳又快。 🍃(3)极易忽略的细节就是归一化统计参数。 这个坑80%的人都会踩,很多人直接用默认的归一化参数,但如果你的数据集和开源预训练数据集分布差异大,必须用自己数据集的均值和方差做归一化。别小看这个细节,参数不匹配,模型前期收敛就会出问题,泛化性能大打折扣,往往改完这一个小参数,就能肉眼可见涨点。 #深度学习 #python #模型优化#算法优化 #提供思路和创新点
00:00 / 02:30
连播
清屏
智能
倍速
点赞45