吴恩达机器学习笔记 - 问题描述与Pipeline

　　Photo OCR stands for Photo Optical Character Recognition.

 

设计一个机器学习系统，其中一项最重要的决定就是要怎么样组织好这个流水线pipeline

在这个问题中，即表现问如何分解为如下几个模块，他们的表现会最终影响你的模型最终的性能

 

 　　如果你有一个工程师团队，则可以分别分配他们1-5个人做不同的模块

 

 

一定尺寸的窗口，以一定步长（如4个pixel像素），全部扫一遍

窗口扩大尺寸，再扫一遍

 

 

 文字检测

 

 字符分割

 

字符识别

 

003.  数据扩增

　　图像类： 对称，旋转，调色，字体类换字体

　　语音类：加噪音，加背景英语，变声调，

 

 1）先用小数据集测试，确保模型的低bias

　　 避免花1周-几个月的时间做了很多数据，但是最终把数据喂给模型后，性能并没有提升

2）额外做出10倍当前有的数据，需要多长时间？

　　花点时间想这个，数据量扩大后，模型最终能达到的效果会好很多，你会成为团队的英雄！

 

当你面对一个机器学习的问题的时候，通常来说，2件事情肯定值得做：

　　1）用学习曲线做合理性测试，以确定是否更多的数据是有用的

　　2)  获得10倍的数据，需要多长时间

 

004. 上限分析Ceiling Analysis

　　对pipeline的流程组件上限分析，能够提供一种非常有价值的信息或导向，告诉你pipeline里面的哪个部分最值得花时间

 

　　1）用一个单一的数值指标来评价

　　2）人工干预，直接给出“标准答案” - 提供正确的文字检测结果，使模块提升至100%正确；

　　3）然后继续用这个正确的数据跑接下来的模块，看整个系统的评价指标提升至多少

　　4）继续一个一个模块给“标准答案”，看最终系统性能提升情况

 这样分析后的数据，能够让我们知道，每个模块改善的，对系统提升的上限是多少

 

　　多年机器学习经验：

　　不相信自己对要使用哪些组件的直觉，遇到机器学习问题，最好分模块进行组件上限分析，通常会存在一种更好更可靠的方法来决定在何处投入精力，从而真正提高某些产品的性能。