【动手学】36 数据增广QA

问题1:理论上，是不是如果原始样本如果足够多，就用不着做增广？
答：一种理想情况是，训练样本比较多覆盖到了测试样本，这样是OK的。但现实往往不是，举个栗子，智能音响，原始样本对实际的覆盖往往是不够的。
问题2:老师， num worker的值是不是根据机器GPU性能而设定？
答：一般是开一个Epoch，多尝试直到性能提升不明显甚至下降就可以不增加num_worker。一般4就不错了
题3:老师，金融风控领域经常碰到的数据都是极度偏斜数据（欺诈样本/正样本比例只占1%),是否可以针对正样本试试类似今天讲的数据增强(之前使用重采样，效果一般般)？
答：通常需要重采样，增广
问题4:老师，测试一般做什么样的增广？测试增广在比赛中能提高精度如何理解？
答：测试一般不做增广。在比赛中，将一个样本，多resize或者randomcrop等操作去预测做平均。但在实际应用中做的不多，因为对机器要求变高。
问题5:老师，课件里提到的对比试验固定了所有随机种子吗？做完增广之后，训练精度下降，是不是意味着还可以继续训练，减少gap?
答：这里没有设

【动手学】36 数据增广QA最先出现在Python成神之路。