From ea299cee67fc2c28dc9a9a68213920288680db2a Mon Sep 17 00:00:00 2001 From: cuicheng01 <45199522+cuicheng01@users.noreply.github.com> Date: Fri, 9 Oct 2020 20:42:43 +0800 Subject: [PATCH] Update faq.md Update faq.md --- docs/zh_CN/faq.md | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/docs/zh_CN/faq.md b/docs/zh_CN/faq.md index ca0b806c..51bab50e 100644 --- a/docs/zh_CN/faq.md +++ b/docs/zh_CN/faq.md @@ -138,7 +138,7 @@ * A: Mixup通过线性叠加两张图片生成新的图片，对应label也进行线性叠加用以训练，Cutmix则是从一幅图中随机裁剪出一个 感兴趣区域(ROI)，然后覆盖当前图像中对应的区域，label也按照图像面积比例进行线性叠加。它们其实也是生成了和训练集不同的样本和label并让网络去学习，从而扩充了样本的丰富度。 >> * Q: 对于精度要求不是那么高的图像分类任务，大概需要准备多大的训练数据集呢？ -* A: 训练数据的数量和需要解决问题的复杂度有关系。难度越大，精度要求越高，则数据集需求越大，而且一般情况实际中的训练数据越多效果越好。当然，一般情况下，在加载预训练模型的情况下，每个类别包括10~20张图像即可保证基本的分类效果；不加载预训练模型的情况下，每个类别需要至少包含100~200张图像以保证基本的分类效果。 +* A: 训练数据的数量和需要解决问题的复杂度有关系。难度越大，精度要求越高，则数据集需求越大，而且一般情况实际中的训练数据越多效果越好。当然，一般情况下，在加载预训练模型的情况下，每个类别包括10-20张图像即可保证基本的分类效果；不加载预训练模型的情况下，每个类别需要至少包含100-200张图像以保证基本的分类效果。 >> * Q: 对于长尾分布的数据集，目前有哪些比较常用的方法？ -- GitLab