1樓：悟冥
個人感覺是可行的。很多目前的深度學習模型都需要標籤資訊，但是高質量的標籤資訊確實獲取的成本很高，而且很多場景中的資料想獲得高質量的資料都很困難。在這個前提下，一般會有兩個思路，一：
利用高精度的網路對部分資料進行初步打標，然後在有人工進行輔助修正，讓結果更好，供模型更好的學習（這種思路也比較類似於，師徒網路，就是使用高精度的網路來訓練低精度網路，同時讓低精度網路至少達到某個水平）；二：很多場景的資料無法直接獲取或獲取的成本很高，因此可以使用各種工作，必須PS軟體，或者生成網路模型，生成符合一定的場景的資料，然後在去使用檢測網路進行訓練，但是要注意真實資料和Fake的資料之間的量的關係。
2樓：唐申庚
可以啊，本身沒有標註的資料，通過已有的模型進行自動標註，雖然得到的標籤不夠準確，但是可以將原本的無監督學習轉化成弱監督任務。
3樓：supersarah
我覺得『輔助』可行
只是不能全倚賴自動標記——那樣就沒有訓練的意義了
另外，應採取措施，防止標註人員因信賴自動輔助，或者不信賴自動輔助，從而出現標註偏差——對於一些比較敏感的應用，比如說標註人員本身識別率就不夠好，容易受外界影響，這個偏差應該會有影響。比如說看個胸片之類的，這東西..... 防止標註人員受 [ai輔助的]預標註的影響，感覺上這個方案設計有點兒棘手，畢竟樣本量受限
怎麼選取訓練神經網路時的Batch size
嚮往自由 乙個epoch，使用大batch，訓練時間更短 但收斂不一定比小batch好 解析為什麼同乙個epoch，小batch，收斂更快？原因 相同epoch，小batch的梯度迭代更加頻繁，更有可能找到最優解。因此，不是batch越大越好 做自己 我覺得和隨機性大小有關，批梯度下降本身屬於隨機優...
怎樣克服神經網路訓練中argmax的不可導性？
章浩 一句話解釋 正向傳播就和往常一樣，反向傳播時，將梯度從不可導那個點copy到不可導點的前面的最近乙個可導點。請看紅線右端點的梯度，跳過中間的字典模組，直達紅線的左端點 問題來了 1 梯度鏈條怎麼隔斷不讓他經過字典模組？pytorch有個 detach 可以隔斷梯度，梯度就不會進入不可導區域引發...
神經網路訓練batch的方式和所有資料分幾組每次選一組的方式訓練什麼區別？
AsSalmon 每次選一組，相當於這次訓練使用的訓練集資料量減少了很多，訓練上幾十個epoch，由於訓練集資料量少的問題，是不是出現了過擬合？所以在下一組資料集 相當於新的資料集 的時候，就表現很差。 已重置 定性的，可以這麼理解，系統的收斂靠的是單一的乙個代價函式，即E sum ei ei 其中...