डेटा संवर्धन

डेटा संवर्द्धन कृत्रिम रूप से मौजूदा उदाहरणों की संशोधित प्रतियां बनाकर एक प्रशिक्षण सेट का विस्तार करता है - जैसे छवियों को फ़्लिप करना या क्रॉप करना। यह मायने रखता है क्योंकि अधिक विविध डेटा ओवरफिटिंग को कम करता है और मॉडलों को उन इनपुटों को सामान्य बनाने में मदद करता है जिन्हें उन्होंने नहीं देखा है।

डेटा संवर्द्धन आपके पास पहले से मौजूद डेटा में लेबल-संरक्षित परिवर्तनों को लागू करके नए प्रशिक्षण उदाहरण उत्पन्न करता है। छवियों के लिए, इसका मतलब है घुमाव, फ़्लिप, क्रॉप, रंग परिवर्तन, धुंधलापन और शोर जोड़ना - परिवर्तन जो पिक्सेल को बदलते हैं लेकिन सही उत्तर नहीं देते हैं (एक फ़्लिप बिल्ली अभी भी एक बिल्ली है)। पाठ के लिए, तकनीकों में पर्यायवाची प्रतिस्थापन, बैक-ट्रांसलेशन (किसी अन्य भाषा में अनुवाद और पीछे), और यादृच्छिक शब्द हटाना या स्वैपिंग शामिल है। ऑडियो के लिए, आप पृष्ठभूमि शोर, शिफ्ट पिच, या टाइम-स्ट्रेच क्लिप जोड़ सकते हैं। लक्ष्य मॉडल को उन अपरिवर्तनीयताओं को सिखाना है जो मायने रखती हैं - कि किसी वस्तु की पहचान उसकी स्थिति, प्रकाश व्यवस्था या वाक्यांश पर निर्भर नहीं करती है। यह मॉडल को अधिक मजबूत बनाता है और विशेष रूप से तब मूल्यवान होता है जब लेबल किया गया डेटा दुर्लभ होता है, क्योंकि प्रत्येक वास्तविक उदाहरण प्रभावी रूप से कई हो जाता है। आधुनिक पाइपलाइनें अक्सर प्रत्येक प्रशिक्षण युग के दौरान तुरंत संवर्द्धन को यादृच्छिक बनाती हैं।