Einführung

Dies ist der Inhalt von Kurs 3, Woche 2 (C3W2) von Deep Learning Specialization.

(C3W2L01) Carry Out Error Analysis

Inhalt

Error analysis
- Get \sim 100 mislabeled dev set examples --Zählen Sie, wie viele Hunde es gibt (ich spreche von Katzenklassifikatoren, daher führt die Auswahl eines Hundefotos zu einem Fehler) ――Wenn das Bild eines Hundes fälschlicherweise als „Katze“ beurteilt wird, beträgt es 5/100, selbst wenn die Verbesserung in Bezug auf den Hund vorgenommen wird, wird die Leistung nicht wesentlich verbessert. Wenn 50/100, gibt es eine große Verbesserung
Evaluate multiple ideas in parallel
- Ideas for cat detection
  - Fix pictures of dogs being recognized as cats
  - Fix great cats (lions, panthers, etc.) being misrecognized
  - Improve performance in blurry image
  - ... --Überprüfen Sie die Ursache, während Sie das Bild betrachten, und konzentrieren Sie sich auf den großen Bereich

(C3W2L02) Cleaning up Incorrectly labeled data

--Wenn der Trainingssatz falsch beschriftet ist - DL algorithm are quite robust to random errors in the training set

Ein systematischer Fehler hat Auswirkungen (z. B. wenn alle weißen Hunde als "Katzen" gekennzeichnet sind). --Für Dev / Test Set eine Fehleranalyse durchführen. Wenn die Auswirkungen groß sind, korrigieren Sie sie.

Correcting incorrect dev/test set example
Wenden Sie denselben Prozess auf Ihren Entwickler und Ihr Test-Set an, um sicherzustellen, dass sie weiterhin von derselben Distribution stammen (Dev-Set und Test-Set sind dieselbe Distribution).
Überlegen Sie, ob Beispiele für Ihren Algorithmus richtig oder falsch sind (Überprüfen Sie nicht nur die Daten, bei denen der Algorithmus einen Fehler gemacht hat, sondern auch die Daten, die richtig beurteilt wurden).
Zug- und Entwicklungs- / Testdaten können jetzt aus einer geringfügig unterschiedlichen Verteilung stammen (Die Verteilung der Zug- und Entwicklungs- / Testdaten kann geringfügig unterschiedlich sein).

(C3W2L03) Build First System Quickly, Then Iterate

Set up dev/test set and metrics
Build initial system quickly
Use Bias/Variance analysis & error analysis to prioritize next step ――Es ist leicht, von Anfang an zu viel nachzudenken und ein kompliziertes System zu erstellen.

(C3W2L04) Training and testing on different distribution

Ich möchte einen Algorithmus zum Klassifizieren von Bildern in Mobile App entwickeln ――Aber die gesammelten Daten betragen 200 KB für das Bild (hohes Pixel) von der Webseite und 10.000 für die Daten der mobilen App. Was tun zu diesem Zeitpunkt mit Zug- / Entwicklungs- / Testdaten? --Option 1; Fügen Sie beide hinzu, um 210.000 Daten zu erstellen, mischen und mischen
- trainin set ; 205k
- dev set ; 2.5k
- test set ; 2.5k --Vorteile, gleiche Verteilung
Nachteile; Dev / Test-Set besteht hauptsächlich aus Webseitendaten, nicht aus vielen mobilen App-Daten
Option 2
- train set ; web page 200k + mobile app 5k
- dev set ; mobile app 2.5k
- test set ; mobile app 2.5k --Vorteile: Die Verteilung des Entwicklungs- / Testsatzes entspricht dem Ziel des Algorithmus (Bildklassifizierung der mobilen App).
Nachteile; Die Verteilung der Zugsets ist unterschiedlich
Option 1 ist besser als Option 1

(C3W2L05) Bias and Variance with mismatched data distribution