2.6 解决数据不匹配问题

image.png
人工数据合成的比例不能太高，否则会导致对合成数据产生过拟合。
image.png
image.png

2.7 迁移学习

迁移学习的两个例子：

  1. 图像识别应用迁移到医学影像识别
  2. 语音识别应用迁移到唤醒词检测

image.png
迁移学习的应用场合：

  1. 任务A和任务B具有相同的输入
    2. 任务A的可用数据量远大于任务B
    3. 任务A的低层次特征可能对任务B有所帮助
    image.png

    2.8 多任务学习

    多任务学习的一个简单示例：无人驾驶任务中，要同时识别行人、车辆、信号灯、路标等多种对象
    image.png
    神经网络架构中的多任务学习（与softmax回归只检测一种对象不同，多任务学习要同时检测多种多种对象）
    image.png
    多任务学习的应用场合：

  2. 所训练的不同任务之间可以共享一些低层次的特征

  3. 各任务所需数据很相似
  4. 可以训练一个足够大的神经网络以同时很好地完成所有任务

image.png

2.9 什么是端到端的深度学习？

数据量较大时，端对端的学习也能成功，而无需将任务分成很多中间过程
image.png
人脸识别可分成两步执行：

  1. 从图像中识别出人脸
  2. 识别人脸属于谁的脸（当前人脸与数据库中的人脸数据进行一一匹配）

image.png
其他示例
image.png

2.10 是否要使用端到端的深度学习？

端对端学习的优点与缺点：

  1. 优点：让数据说话；减少对手动设计的组件的依赖
  2. 缺点：可能需要大量数据；没有好好利用一些有用的手动设计的组件

image.png
端对端学习的应用：

  1. 使用深度学习学习各个组件
  2. 仔细选择X->Y映射（端对端）所需的数据

image.png