[人工智能]pytorch 13 训练数据不平衡下的解决方案

在实际项目进程中有时会碰到数据不平衡的情况，数据不平衡会导致训练过程中的loss/梯度不平衡，最终导致模型所学习到的知识有偏好。在部署模型时就会出现类型多的数据效果好，类型少的数据效果差。那么在解决问题就要从这三方面下手，让不平衡的数据变得平衡，让loss/梯度变得平衡，让模型在学习过程不受数据量的影响，变得无偏好。所提到的点不仅可以针对数值型数据，也可以针对图像型数据。

首先在这里给出一个基本定义，多数类：数量特别多的类别 少数类：数量较少的类别。后续中假设多数类为A，少数类为B。

1、让数据变得平衡

让不平衡的数据变得平衡，无非就是进行负采样让多数类的数据变少，或者进行重采用让少数类的数据变多

1.1 多数类负采样

多数类负采样根据其对数据的处理方式可以分为无损消除和有损消除。

了解本专栏 订阅专栏 解锁全文 学习会员免费看 赠抽奖