小数据也有大未来，数据稀缺如何应用深度学习？

全文共2420字，预计学习时长7分钟

来源：Pexels

有人说，深度学习是目前科技界最大的瓜，每个人都想分一块。

它承诺以最小代价的大数据解决最复杂的问题。但现在大家面对的普遍问题是：我们既不在谷歌工作也不在Facebook工作，数据很稀缺，还能利用深度学习吗？

答案是：能！

下面就和小芯一起看看如何在有限的数据下利用深度学习吧~

开始越简单越好

在讨论针对有限数据利用深度学习的方法之前，请先后退一步，从神经网络开始，建立一个简单的基线。用一些传统模型（如随机森林）进行实验通常不会花费很长时间。

这将帮助您评估深度学习的一些潜在提升，并为您的问题提供大量关于深度学习与其他方法之间权衡的见解。

得到更多的数据

这听起来可能很荒谬，但是你考虑过是否可以收集更多的数据吗？

有人会经常向公司提出这样的建议，但公司大多数的人都会觉得你好像疯了一样，这似乎十分出乎意料。

是的，投入时间和金钱去收集更多的数据是可以的。事实上，这往往是你最好的选择。例如，也许你正试图对稀有鸟类进行分类，但数据非常有限。几乎可以肯定地说，通过标记更多的数据，你将更容易解决这个问题。

不确定需要收集多少数据？尝试在添加额外数据时绘制学习曲线，并查看模型性能的变化。

微调

假设你现在有一个简单的基线模型，并且不能收集更多数据或者造价昂贵。此时最可靠、最正确的方法是利用预先训练好的模型，然后针对问题对模型进行微调。

来源：Pexels

微调的基本思路是选取一个非常大的数据集，希望它在某种程度上与你的域相似，然后训练一个神经网络，使用较小的数据集对这个预先训练好的网络进行微调。你可以在本文中了解更多信息。

对于图像分类问题，最常用的数据集是ImageNet。这个数据集包含数百万张类对象图片，因此可以用于很多类型的图像问题。它甚至包括动物，因此可