數(shù)據(jù)集文章進(jìn)入數(shù)據(jù)集技術(shù)社區(qū)

什么決定了訓(xùn)練 AI 所需的數(shù)據(jù)集的大??？

訓(xùn)練人工智能（AI）算法需要大型數(shù)據(jù)集，而且它們可能很昂貴。那么，多少數(shù)據(jù)才足夠呢？問題的復(fù)雜性、模型的復(fù)雜性、數(shù)據(jù)的質(zhì)量以及所需的準(zhǔn)確性水平主要決定了這一點。數(shù)據(jù)增強技術(shù)可以增加數(shù)據(jù)集的大小，而學(xué)習(xí)曲線分析可以確定何時優(yōu)化了訓(xùn)練結(jié)果。問題復(fù)雜性是影響所需數(shù)據(jù)集大小的一個主要因素。圖像識別很復(fù)雜，并且需要比簡單圖像分類更大的訓(xùn)練數(shù)據(jù)集。此外，具有更多特征的問題需要更多的訓(xùn)練示例來學(xué)習(xí)所有可能的關(guān)系。模型復(fù)雜性也很重要，具有更多參數(shù)的深度學(xué)習(xí)模型可能需要非常大的數(shù)據(jù)集才能進(jìn)行有效學(xué)習(xí)。一個常見的經(jīng)驗法則
關(guān)鍵字：訓(xùn)練AI 數(shù)據(jù)集

機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)步使我們能夠處理越來越大量儲存資料。傳統(tǒng)方法是將數(shù)據(jù)傳輸?shù)剿惴ㄔO(shè)備，但是這種移動巨量數(shù)據(jù)（高達(dá) 1 PB）以供可能只有幾十兆位元算法來進(jìn)行處理真的有意義嗎？因此，在靠近數(shù)據(jù)儲存位置處理數(shù)據(jù)的想法引起了很多關(guān)注。本文研究了計算儲存理論和實踐，以及如何使用計算儲存處理器 (CSP) 為許多計算密集型任務(wù)提供硬件加速和更高性能，而不會給主機處理器帶來大量負(fù)擔(dān)。數(shù)據(jù)集崛起近年來，神經(jīng)網(wǎng)絡(luò)算法在汽車、工業(yè)、安全和消費等應(yīng)用中使用顯著增加?；谶吘壩锫?lián)網(wǎng)傳感器通常只處理少量數(shù)據(jù)，因此所使用算法占用很
關(guān)鍵字： ?機器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)集

共2條 1/1 1

您好，目前還沒有人創(chuàng)建詞條數(shù)據(jù)集!
歡迎您創(chuàng)建該詞條，闡述對數(shù)據(jù)集的理解，并與今后在此搜索數(shù)據(jù)集的朋友們分享。創(chuàng)建詞條