你有一个神经网络。你有，比如说，图片手写字母 (AZ)。现在您进行典型的训练，神经网络会将 A 识别为 A，将 B 识别为 B，...
现在你重复训练，但有一个变化：你告诉神经网络所有带有字母 B 的图片它也是一个 A。
现在训练后的问题：
- 网络是否像以前一样将 A 识别为 A？
- 网络是否也将 B 识别为 A？
如果您这样训练，神经网络能否将字母 B 识别为 A？
数据挖掘
机器学习
神经网络
深度学习
美国有线电视新闻网
毫升
2021-09-22 07:08:07
1个回答
网络是否像以前一样将 A 识别为 A？
是的，它可以。原因是，如果您尝试说明混淆矩阵，您可以看到 FP、FN、TP 和 TN 可以保持在一个很好的水平。您所做的实际上是改变了输入数据的分布。假设你训练了一个网络，它应该能识别猫和狗。您可以只使用白猫或不同颜色的猫来训练它。这里的重点是你所做的并没有说明这一点 和 属于同一类。您所做的是将前两个字母归类为同一实体。考虑到您的网络学习的内容取决于您使用的网络类型。避免只使用密集网。有了图像输入，密集网络会尝试找到类似掩码的东西，而卷积层会找到合适的特征，然后将那些更适合分类的特征传递给密集层。
网络是否也将 B 识别为 A？
再次是的！但这取决于数据的分布。它可以识别s，因为你是这样训练它的。但应该考虑到性能取决于您拥有的数据。如何获得您的数据以利于泛化。