← 返回卡片

原书出处

深度学习详解

13 迁移学习 13.1 领域偏移

核验版本的摘录快照 · 导入于 2026-11-21T12:46:32.560Z

如图13.1所示,数字识别这种简单的问题,在基准数据集 MNIST [1]上能做到 99.91% 的准确率[2].但是当测试数据和训练数据的分布不一样时,就会导致一些问题.假设训练时数字是黑白的,但测试时数字是彩色的.常见的误区是,虽然数字的颜色不同,但在模型看来,它们的形状是一样的. 也就是说,既然模型能识别出黑白图片中的数字,则应该也能识别出彩色图片中的数字.但实际上,如果使用黑白的数字图像训练一个模型,然后直接应用到彩色的数字图像上,准确率就会非常低.MNIST 数据集中的数字是黑白的,MNIST-M 数据集[3] 中的数字是彩色的,如果在 MNIST 数据集上训练,并在 MNIST-M 数据集上测试,则准确率只有 52.25%[4].一旦训练数据和测试数据分布不同,在训练数据上训练出来的模型,在测试数据上就可能效果不佳,这称为领域偏移.

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter13.xhtml

EPUB SHA-256:35d2d4b7de742e0ce7756e7fb57c534014bf33cecdf0483a75e23cb7446cb7dc