深度学习的核心：掌握训练数据的方法

来源：云栖社区

概要：今天我们将讨论深度学习中最核心的问题之一：训练数据。

Hello World！

今天我们将讨论深度学习中最核心的问题之一：训练数据。深度学习已经在现实世界得到了广泛运用，例如：无人驾驶汽车，收据识别，道路缺陷自动检测，以及交互式电影推荐等等。

我们大部分的时间并不是花在构建神经网络上，而是处理训练数据。深度学习需要大量的数据，然而有时候仅仅标注一张图像就需要花费一个小时的时间！所以我们一直在考虑：能否找到一个方法来提升我们的工作效率？是的，我们找到了。

现在，我们很自豪的将Supervisely令人惊叹的新特性公诸于世：支持AI的标注工具来更快速地分割图像上的对象。

在本文中，我们将重点介绍计算机视觉，但是，类似的思路也可用在大量不同类型的数据上，例如文本数据、音频数据、传感器数据、医疗数据等等。

重点：数据越多，AI越智能

让我们以吴恩达非常著名的幻灯片开始，首先对其进行小小的修改。

深度学习的表现优于其它机器学习算法早已不是什么秘密。从上图可以得出以下结论。

结论 0：AI产品需要数据。

结论 1：获得的数据越多，AI就会越智能。

结论 2：行业巨头所拥有的数据量远超其它企业。

结论 3：AI产品的质量差距是由其所拥有的数据量决定的。

因此，网络架构对AI系统的表现影响很大，但是训练数据的多少对系统表现的影响最大。致力于数据收集的公司可以提供更好的AI产品并获得巨大的成功。

常见错误：AI全都是关于构建神经网络的。

如上图所示，当人们一想到AI，就会想到算法，但是也应该考虑到数据。算法是免费的：谷歌和其他巨头更倾向于向世界分享他们最先进的(state-of-the-art)研究成果，但是他们从不会共享数据。

许多人已经跳上了人工智能炒作的列车，并且创造了极棒的构建和训练神经网络的工具，然而关注训练数据的人却少的可怜。当企业打算将人工智能转换成实际应用时，会倾尽全部工具用于训练神经网络，却没有用于开发训练数据上的工具。

吴恩达说论文已经足够了，现在让我们来构建AI吧！

好主意，我们完全赞同。目前有许多论文和开源成果论述了最先进的（state of the art ）且涵盖所有的实际应用的神经网络架构。想象一下，你获得了一个价值10亿美元的新想法。首先想到的肯定不会是：我将使用哪种类型的神经网络？最有可能的是：我在哪里可以得到能建立MVP的数据？

让我们来寻找一些有效的方法训练数据，可行的方法如下：

1.开源数据集。深度神经网络（DNN）的价值是用于训练数据，在计算机视觉研究中，大多数可用数据都是针对特定研究小组所研究的课题而设计的，通常对于新研究人员来说，需要搜集更多额外的数据去解决他们自己的课题。这就是在大多数情况下开源数据集并不是一个解决方案的原因。

2.人工数据。它适用于类似OCR文字识别或者是文本检测，然而很多实例（如人脸识别，医学影像等）表明人工数据很难甚至是不可能产生，通常的做法是将人工数据和带标注的图像相结合使用。

3.Web。自动收集高质量的训练数据是很难的，通常我们会对收集的训练数据进行修正和过滤。

4.外面订购图像标注服务。一些公司提供这样的服务，我们也不例外。但其很大的缺点是不能进行快速的迭代。通常，即使是数据专家也不确定如何标注。通常的顺序是做迭代研究：标注图像的一小部分→建立神经网络架构 →检查结果。每个新的标注都将会影响后续的标注。

5.手动标注图像。仅适用于你自己的工作，领域内的专业知识是很关键的。医学影像就是个很好的例子：只有医生知道肿瘤在哪里。手动注解图像这个过程很耗时，但是如果你想要一个定制化的AI，也没有其他办法。

正如我们所看到的，其实并没有万能方法，最常见的方案是创建我们自己任务特定的训练数据，形成人工数据，如果可能的话再整合到公共数据集中。这其中的关键是，你必须为特定的任务建立自己独一无二的数据集。

让我们深入学习来构建深度学习

深度学习接近于数据匮乏，且其性能极度依赖于可供训练数据的数量。

通过实例我们可以看出标注的过程有多困难。这里是标注过程所花费时间的一些原始数据，例如使用Cityscapes数据集（用于无人驾驶），在对Cityscapes数据集中单个图像的精细像素级的标注平均需要花费1.5h，如果标注5000个图像，则需要花费5000*1.5=7500h。假设1h=＄10（美国最低工资），那么仅仅是标注该数据集就需要花费约＄7.5万左右（不包括其他额外的成本）。同样吃惊的是，像这样一家拥有1000名做无人驾驶图像标注员工的公司，只不过是冰山一角。

神经网络能否帮助我们提高图像标注的效率呢？我们可不是第一个试图回答这一问题的人。

半自动化实例标注很早就开始使用了，有很多经典的方法可提高标注的效率，如超像素块算法(Superpixels)，分水岭算法(Watershed)，GrabCut分割算法等。近几年，研究人员试图用深度学习完成这一任务（link1, link2, link3），这些经典的算法有很多缺陷，需要很多超参数对每一幅图像进行检索，难以对结果进行标准化和修正。最新的基于深度学习的成果要好很多，但在大多情况下这些成果是不开源的。我们是第一个为每个人提供基于AI的标注工具的人，我们自己独立设计了与上边三个links概念类似的神经网络架构。它有一个很大的优势：我们的神经网络不需要对对象实例进行分类。这就意味着，可以对行人、汽车、路面上的凹陷处、医学影像上的肿瘤、室内场景、食物成分、卫星上的物体等等进行分割。

那么，它是如何工作的呢？如下图所示：