زيادة البيانات

It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.

تؤدي زيادة البيانات إلى إنشاء أمثلة تدريبية جديدة عن طريق تطبيق تحويلات الحفاظ على التسمية على البيانات الموجودة لديك بالفعل. بالنسبة للصور، هذا يعني التدوير، والقلب، والاقتصاص، وإزاحة اللون، والتمويه، وإضافة الضوضاء - التغييرات التي تغير وحدات البكسل ولكن ليس الإجابة الصحيحة (القطة المقلوبة لا تزال قطة). بالنسبة للنص، تتضمن التقنيات استبدال المرادفات، والترجمة العكسية (الترجمة إلى لغة أخرى والعودة)، وحذف الكلمات العشوائية أو تبديلها. بالنسبة للصوت، يمكنك إضافة ضوضاء في الخلفية، أو تغيير درجة الصوت، أو مقاطع ممتدة زمنيًا. الهدف هو تعليم النموذج الثوابت المهمة، أي أن هوية الشيء لا تعتمد على موضعه أو إضاءته أو صياغته. وهذا يجعل النماذج أكثر قوة وتكون ذات قيمة خاصة عندما تكون البيانات المصنفة نادرة، حيث أن كل مثال حقيقي يصبح فعليًا متعددًا. غالبًا ما تقوم خطوط الأنابيب الحديثة بتوزيع الزيادات بشكل عشوائي أثناء كل فترة تدريب.