是否可以直接在实际数据上进行训练？
在云计算领域，可以直接在实际数据上进行训练。实际数据训练是指将真实场景中的数据应用于机器学习和深度学习模型的训练过程中，以获得更准确、更实用的模型结果。
优势：
- 数据真实性：实际数据训练可以使用真实场景中的数据，这样可以更好地反映实际应用中的情况，提高模型的准确性和可用性。
- 模型适应性：使用实际数据进行训练可以使模型更好地适应实际应用场景，能够更好地解决实际问题。
- 数据丰富性：实际数据通常比人工生成的数据更加丰富多样，能够覆盖更多的边界情况，提高模型的鲁棒性和泛化能力。
应用场景：
- 自然语言处理：在自然语言处理任务中，可以使用实际语料库进行训练，以提高机器翻译、文本分类、语义理解等任务的准确性和效果。
- 图像识别：对于图像识别任务，可以使用实际场景中的图像数据进行训练，以提高图像分类、目标检测、人脸识别等任务的性能。
- 声音识别：在语音识别领域，使用实际录音数据进行训练，可以提高语音识别模型在真实环境中的准确性和可靠性。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（MLStudio）：https://cloud.tencent.com/product/mlstudio
- 腾讯云人工智能实验室：https://cloud.tencent.com/product/ailab
- 腾讯云语音识别：https://cloud.tencent.com/product/asr
- 腾讯云图像识别：https://cloud.tencent.com/product/imagerecognition
相关·内容
我是否可以在此数据上直接训练模型，而无需经过常规的NLU和核心流程，例如创建NLU数据和故事数据？在闲聊中，如果我的语料库有点大，就很难定义意图。可能会有太多的意图。RASA是否提供了一种直接训练数据的方法？
浏览 33提问于2019-03-20得票数 0
2回答
我目前使用的Word2Vec模式是在谷歌新闻语料库上培训的(来自)，因为这是直到2013年才对新闻进行培训的，因此我需要更新矢量，并根据2013年以后的新闻在词汇表中添加新单词。我可以重新培训或微调或更新谷歌新闻Word2Vec模式吗？能用Gensim做吗？可以用FastText来完成吗？
浏览 4提问于2017-09-15得票数 3
我的logistic预测模型的训练准确率为80%，测试准确率为79%。训练模型准确率:0.8039535210772422测试模型准确率:0.7937496044721021使用超参数调整和打印我的分类报告：0.77 0.74 0.76 189620当我将结果与实际数据进行比较时，我只在40%的数据匹配上测试了预测模型
浏览 20提问于2020-02-18得票数 0
然而，使用Keras在图像上进行训练的典型流程是使用tf.keras.preprocessing.image.ImageDataGenerator，它只能接受固定的target_size参数。虽然我可以使用具有大小调整层的模型，该模型经过固定大小的训练，然后预测任意大小的图像，但这似乎是有风险的，因为训练数据和推理数据将具有系统差异。一种解决方法是使用与调整大小层匹配的target_size和插值方法的ImageDataGenerator，以便在训练期
浏览 0提问于2020-11-20得票数 0
我在大约5000个样本上训练一个SVM模型(RBF核)，我正确地调整了我的模型，并使用它进行预测。注意--实际上我使用的数据集是相当大的，再次建模不是一个好的想法。
浏览 2提问于2017-07-04得票数 0
我发现FTRL优化器的初始参数是：initial_accumulator_value: 0.1, l2_regularization_strength: 0.0
浏览 34提问于2017-01-12得票数 0
我一直在尝试重新训练通用句子编码器模块()，但似乎无法从任何更新/重新训练的模块权重生成新的嵌入。m=hub.module(path) then generate the embeddings via
但是，如何使用恢复的分类器模型进行此调用？我是否只需<
浏览 0提问于2018-08-11得票数 1
我一直在用Keras做一些时间序列预测神经网络。有一件事让我感到震惊的是，我是如何在非常嘈杂和不相关的数据上获得几乎99%的准确率(我在寻找50%左右的准确性才是好的！)我现在发现，在我在训练集上训练我的模型之后，我就随便运行了model.evaluate(x_test, y_test)，然后对数据进行了手动的回溯测试。在x_test上进行手工反测试，并将其与y_test中的误差进行比较，显示出近乎完美的精度。那么，
浏览 0提问于2016-09-19得票数 0
我有一个想法是在浏览器中实现一个深度缩放类型的界面，用于运动训练数据(速度，距离，心率等)。然而，我实际上想放大的不是图像，而是信息的层次结构。再次放大到一个月，月份被替换为月份日历，放大到一天，您最终会看到一个图表，上面绘制了训练数据。一直以来，只有具有实际数据的日期才会以某种方式突出显示。我的问题是，这是否可能，是否有人已经看到了这样的例子。我设想在大多数情况下，下一级别的信息可以</e
浏览 3提问于2009-05-11得票数 4
回答已采纳
我有一个问题对我来说一直很顽固。我是否可以用标记数据集(即:带有目标信息的数据集)来训练一个神经网络，然后应用另一个没有标签的数据集？我想用我已有的例子来训练网络，但是在实际情况下，我想要它对示例进行分类(没有目标关联)。例如：Var1 Var2 Var3 Var4 Target测试集(没有目标，实际上</em
浏览 1提问于2013-12-17得票数 0
回答已采纳
2回答
Python共享读取内存
、、、、
我正在使用一个大约8GB的数据集，我还在使用scikit--学习如何在它上训练各种ML模型。数据集基本上是ints的一维向量列表。我如何使数据集可供多个python进程使用，或者如何对数据集进行编码，使其能够使用multiprocessing类?我一直在ctypes上阅读，我也一直在阅读multiprocessing的文档，但我非常困惑。我只需要使数据对每个进程都具有可读性，这样我
浏览 10提问于2016-08-07得票数 6
回答已采纳
我制作了3组图像数据：
1-包含130,523个图像的训练。2-验证14,503张图像。3-测试包含94,500张图像。现在，我想为用于训练的数据创建.lmdb格式。在教程中，它说将您的数据分组为train和val。那么，这是否意味着我应该只使用train和val数据集，而根本不使用测试？稍后，当我想测试我的模型时，测试数据集会发生什么？
浏览 10提问于2016-08-17得票数 3
你如何在一个太大或太不切实际的数据集上训练Scikit的？我试图用它来对文档进行分类，我有几千个带标签的示例记录，但当我试图将所有这些文本加载到内存中并训练LinearSVC时，它消耗了我超过65%的内存，我被迫在系统完全没有响应之前杀死它。是否可以将我的训练数据格式化为单个文件，并使用文件名将其提供给LinearSVC，而不必调用fit()方法？我找到了指南，但它实际上只涵盖了分
浏览 2提问于2013-08-30得票数 4
我正在考虑使用陆地卫星图像来训练CNN，以便进行无监督的像素语义分割分类。也就是说，我一直无法找到一种方法，允许我从较大的陆地卫星图像中裁剪图像进行训练，然后对原始图像进行预测。本质上，这是我想要做的：
原始陆地卫星图像(5,000 x 5,000 -这是一个任意大小，不能很好地确定实际尺寸) ->将图像裁剪成(100 X 100)块->在这些裁剪图像上训练模型->为原始(未裁剪也就是说，我不确定我
浏览 1提问于2020-03-06得票数 2
1回答
论设备训练装置--流动
、、、、
在运行应用程序时，是否有方法训练从用户图像中获取的数据集？数据集是根据用户的图像(从应用程序上拍摄照片或从图库中选择)收集的。p/s:我发现了设备上的培训tensorflow，但是根据文档，我们必须先用Python训练模型，然后导出到Tensorflow。有没有一种方法可以直接在Android中的应用程序上执行，而不必经过这些程序呢？
浏览 1提问于2022-05-28得票数 0
使用AWS Sagemaker的图像，其底层对象检测算法为单镜头检测，但我认为使用尺寸为2000 x 2000的实际拼图图像作为训练数据是不可能的，SSD会自动将图像大小调整为300 x 300，这将使SSD会自动调整图像大小，还是会在2000 x 2000图像上训练？我是否应该裁剪所有包含Waldo的300 x 300图像的拼图大小，或者我是否可以包括尺寸为2000+ x 2000+的实际拼图图像和300 x 300裁剪图像的混合？
浏览 1提问于2019-04-01得票数 0
2回答
使用Tensorflow对象检测API时，是否可以冻结特定的层？
例如，我正在使用从Tensorflow 2 Model Zoo下载的EfficientDet。当我训练模型时，我会让它预测一个物体是汽车，飞机还是摩托车。该模型已经在这些类型的对象(COCO 2017数据集)上进行了训练，但我想在我的特定用例上对其进行更多的训练。但是，由于它已经在这些类型的对象上进行了训练，我不希望它“忘记”它已经学
浏览 5提问于2021-07-15得票数 0
我想获得训练数据，用于训练斯坦福大学的默认模型-corenlp pos parse和depparse。你能告诉我怎样才能得到这些数据吗？
浏览 20提问于2018-07-31得票数 -1
Nvidia计划在他们的泰坦卡上增加对int8操作的硬件支持，并瞄准深度学习。我试图了解它是如何有用的，以及哪些类型的网络将从中受益。有一些研究表明，您可以对FP32进行完全精确的训练，然后将其舍入一个字节--但这不会加速或减少训练时的内存占用。
浏览 0提问于2016-07-25得票数 3
该网络通过观看“专家蛇”玩游戏进行训练，并旨在做出与每个时间步相同的决定(决定是:左转、右转或直行)。当训练超过200000张图像，批次大小为500时，丢失率为0.5% (50%)，网络学习到验证数据的准确率约为80%，范围从75%到83%。然而，当我在一个包含200万张图像的更大的数据集上进行训练时(没有改变任何其他超参数)，网络无法学习通过38%，这只比它进行随机移动时稍好一点。这让我非常困惑，因为我的印象是，更多的训练数
浏览 1提问于2017-09-26得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
