การเพิ่มข้อมูล

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

การเพิ่มข้อมูลจะสร้างตัวอย่างการฝึกอบรมใหม่โดยใช้การเปลี่ยนแปลงแบบรักษาฉลากกับข้อมูลที่คุณมีอยู่แล้ว สำหรับรูปภาพ นั่นหมายถึงการหมุน การพลิก การครอบตัด การเปลี่ยนสี การเบลอ และการเพิ่มสัญญาณรบกวน ซึ่งการเปลี่ยนแปลงที่เปลี่ยนแปลงพิกเซล แต่ไม่ใช่คำตอบที่ถูกต้อง (แมวพลิกยังคงเป็นแมว) สำหรับข้อความ เทคนิคต่างๆ ได้แก่ การแทนที่คำพ้องความหมาย การแปลกลับ (แปลเป็นภาษาอื่นและย้อนกลับ) และการลบหรือสลับคำแบบสุ่ม สำหรับเสียง คุณอาจเพิ่มเสียงรบกวนในพื้นหลัง ระยะห่างระหว่างเสียง หรือคลิปยืดเวลา เป้าหมายคือเพื่อสอนโมเดลถึงค่าคงที่ที่สำคัญ เอกลักษณ์ของวัตถุไม่ได้ขึ้นอยู่กับตำแหน่ง แสง หรือการใช้ถ้อยคำ สิ่งนี้ทำให้โมเดลมีความแข็งแกร่งมากขึ้นและมีคุณค่าโดยเฉพาะอย่างยิ่งเมื่อข้อมูลที่ติดป้ายกำกับมีน้อย เนื่องจากตัวอย่างจริงแต่ละตัวอย่างกลายเป็นจำนวนมากอย่างมีประสิทธิภาพ ไปป์ไลน์สมัยใหม่มักจะสุ่มการเสริมอย่างรวดเร็วในแต่ละยุคการฝึกอบรม