作者 | Tyler Folkman
编译 | 杨晓凡
对于深度学习而言，在有很多数据的情况下，再复杂的问题也不在话下，然而没有这么多数据呢？本文作者 Tyler Folkman 针对这一问题，为大家介绍了几个在有限的数据上使用深度学习的方法，让深度学习即便在面临数据稀缺时，也能大展身手。
众所周知，深度学习是有史以来最棒的事情。它能够在大量数据上以低成本解决复杂问题。唯一的问题是你既不在谷歌工作，也不在脸书工作，你的数据是稀缺的，那么你该怎么办？你是能继续使用是深度学习的能力，还是已无计可施？
下面就让我介绍几个在有限的数据上使用深度学习的方法，以及阐述为什么我认为这可能是未来研究中最令人兴奋的领域之一。
一、先从简单的开始
在我们探讨在有限的数据上使用深度学习的方法之前，请先从神经网络后退一步，建立一个简单的基线。用一些传统模型（如随机森林）进行实验通常不会花费很长时间，而这将有助于评估深度学习的所有潜在提升，并针对你的问题提供更多权衡深度学习方法和其他方法的视角。
二、获取更多数据
这听起来可能很荒谬，但是你真的考虑过自己能否收集更多的数据吗？我经常向公司提出获取更多数据的建议，但他们视我的建议如疯人疯语，这让我很吃惊。是的，投入时间和金钱去收集更多的数据是可行的，而事实上，这通常也是你最好的选择。例如，也许你正试图对稀有鸟类进行分类，但数据非常有限。几乎可以肯定地说，你可以仅仅通过标注更多的数据来比较轻易地解决这个问题。你不确定需要收集多少数据？对此，你可以在增加额外的数据时尝试绘制学习曲线（相关教程链接：https://www.dataquest.io/blog/learning-curves-machine-learning/），并同时查看模型性能的变化，从而确定所需的数据量。
三、微调
摄影作者 Drew Patrick Miller，来源 Unsplash（网站链接：https://unsplash.com/?utm_source=medium&utm_medium=referral）
现在假设你已经有一个简单的基线模型，且在获取更多数据上要么不可行要么太昂贵。此时最可靠和正确的方法是利用预训练模型，然后针对你的问题对模型进行微调。
