資料增強的本質是為了增強模型的泛化能力,那它與其他的一些方法比如dropout,權重衰減有什么區別?
uj5u.com熱心網友回復:
(1) 權重衰減,dropout,stochastic depth等方法,是專門設計來限制模型的有效容量的,用于減少過擬合,這一類是顯式的正則化方法。研究表明這一類方法可以提高泛化能力,但并非必要,且能力有限,而且引數高度依賴于網路結構等因素。(2) 資料增強則沒有降低網路的容量,也不增加計算復雜度和調參工程量,是隱式的規整化方法。實際應用中更有意義,所以我們常說,資料至上。
轉載請註明出處,本文鏈接:https://www.uj5u.com/qita/283871.html
標籤:Qualcomm開發
上一篇:比較常用的像素變換方法?
