来源：可以提高你的图像识别模型准确率的7个技巧. OSCHINA
deephub翻译组
下面是一些提高图像模型性能指标的策略或技巧，可以帮助提升你的图像识别准确率。
1、得到更多的数据
增加验证准确性的最简单方法之一是添加更多数据，深度学习模型的强大程度取决于你带来的数据。如果你的训练实例不多，此办法将非常有用。
可以考虑通过使用数据增强来增加可用数据集的多样性：如将图像翻转到轴上、添加噪声到放大图像；也可以尝试使用GANs进行数据扩充。
2、添加更多的层
向模型中添加更多层可以增强它更深入地学习数据集特性的能力，因此它将能够识别出作为人类可能没有注意到的细微差异。
3、更改图像大小
当对图像进行预处理以进行训练和评估时，需要做很多关于图像大小的实验。如果图像尺寸太小，您的模型将无法识别有助于图像识别的显著特征。相反，如果图像太大，则会增加计算机的计算资源。
4、增加训练轮次
epoch基本上就是你将整个数据集通过神经网络传递的次数。然而，你的模型最终将到达一个点，即增加的epoch将不能提高精度。此时，应该考虑调整模型的学习速度。这个小超参数决定了你的模型是达到全局最小值(神经网络的最终目标)还是陷入局部最小值。全局最小是神经网络的最终目标。
Epoch（时期）：当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次>epoch。（也就是说，所有训练样本在神经网络中都 进行了一次正向传播 和一次反向传播 ）。一个Epoch就是将所有训练样本训练一次的过程。
5、减少颜色通道
颜色通道反映图像数组的维数。大多数彩色(RGB)图像由三个彩色通道组成，而灰度图像只有一个通道。颜色通道越复杂，数据集就越复杂，训练时间也就越长。
如果颜色在你的模型中不是那么重要的因素，可以将彩色图像转换为灰度，也可以考虑其他颜色空间，比如HSV和Lab。
6、迁移学习
迁移学习包括使用预先训练过的模型，如YOLO和ResNet。预训练的模型是最先进的深度学习模型，它们在数百万个样本上接受训练，通常需要数月时间。这些模型在检测不同图像的细微差别方面有着惊人的巨大能力。这些模型可以用作你的模型基础。大多数模型都很好，所以不需要添加卷积和池化。
迁移学习的目标：将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。
7、超参数
上面的技巧为你提供了一个优化模型的基础。要真正地调整模型，您需要考虑调整模型中涉及的各种超参数和函数，如学习率、激活函数、损失函数、等等参数。
推荐阅读
声明：部分图片及内容来源于网络。仅供读者学习交流之目的，如有不妥，请联系删除。
