目录
5. 图像分类任务中，在保持图像类别不变的前提下，可以对训练集中的每幅图像进行哪些变换？
1. 模型可以提供什么？
- 训练数据中所蕴含的信息
- 模型构造学习推理过程中，人们提供的先验信息
训练数据不足时，说明模型从原始数据中获取的信息比较少，这种情况下要想保住模型的效果，需要更多的先验信息。
2. 先验信息可以用在哪里？
- 先验信息可以用在模型上，比如让模型采用特定的内在结构、条件假设或添加一些约束
- 先验信息也可以直接施加在数据集上，即根据特定的先验假设去调整、变换、扩展训练数据
3. 图像分类训练数据不足带来的问题？
训练数据不足带来的问题主要表现在过拟合方面，即模型在训练样本上的效果可能不错，但在测试集上的泛化效果不佳。
4. 如何解决图像分类训练数据不足？
对应的处理方法大致也可以分两类：一是基于模型的方法，主要是采用降低过拟合风险的措施，包括简化模型（如将非线性模型简化为线性模型）、添加约束项以缩小假设空间（如L1/L2正则项）、集成学习、Dropout超参数等；
二是基于数据的方法，主要通过数据扩充（Data Augmentation），即根据一些先验知识，在保持特定信息的前提下，对原始数据进行适当变换以达到扩充数据集的效果。
5. 图像分类任务中，在保持图像类别不变的前提下，可以对训练集中的每幅图像进行哪些变换？
（1）一定程度内的随机旋转、平移、缩放、裁剪、填充、左右翻转等，这些变换对应着同一个目标在不同角度的观察结果。
（2）对图像中的像素添加噪声扰动，比如椒盐噪声、高斯白噪声等。
（3）颜色变换。例如，在图像的RGB颜色空间上进行主成分分析，得到3个主成分的特征向量p1,p2,p3及其对应的特征值 λ1,λ2,λ3，然后在每个像素的RGB值上添加增量[p1,p2,p3]•[α1λ1,α2λ2,α3λ3]T，其中 α1,α2,α3是均值为0、方差较小的高斯分布随机数。
（4）改变图像的亮度、清晰度、对比度、锐度等。
（5）除了直接在图像空间进行变换，还可以先对图像进行特征提取，然后在图像的特征空间内进行变换，利用一些通用的数据扩充或上采样技术，例如SMOTE（Synthetic Minority Over-sampling Technique）算法
（6）使用生成模型也可以合成一些新样本，例如当今非常流行的生成式对抗网络模型。
6. 如何训练自己的模型？迁移学习
对于大部分图像分类任务，并不需要从头开始训练模型，而是借用一个在大规模数据集上预训练好的通用模型，并在针对目标任务的小数据集上进行微调（fine-tune），这种微调操作就可以看成是一种简单的迁移学习。