點(diǎn)擊“開發(fā)者技術(shù)前線”，選擇“星標(biāo)??”

讓一部分開發(fā)者看到未來

作者：Dario Radecic，Medium 高質(zhì)技術(shù)博主  

編譯：頌賢

一般的 AI 課程會(huì)介紹很多如何通過參數(shù)優(yōu)化來提高機(jī)器學(xué)習(xí)模型準(zhǔn)確性的方法，然而這些方法通常都存在一定的局限性。這是因?yàn)槲覀兂３：鲆暳爽F(xiàn)代機(jī)器學(xué)習(xí)一個(gè)非常重要的核心——數(shù)據(jù)。如果我們沒有處理好訓(xùn)練數(shù)據(jù)沒，上百個(gè)小時(shí)的時(shí)間都會(huì)被浪費(fèi)在調(diào)整一個(gè)低質(zhì)量數(shù)據(jù)訓(xùn)練出來的模型上，模型的準(zhǔn)確度很容易就會(huì)低于預(yù)期，而這和模型調(diào)優(yōu)是沒有太大關(guān)系的。怎樣才能避免這樣的問題呢？

粗略地看，其實(shí)每個(gè)AI項(xiàng)目都由兩部分組成：模型和數(shù)據(jù)。對于代碼這部分，我們總能使用第三方庫來盡可能地提高代碼質(zhì)量，但從來沒有人告訴我們該如何充分提升數(shù)據(jù)的質(zhì)量。這就是本文想要介紹的新思路：以數(shù)據(jù)為中心的AI。究竟什么是以數(shù)據(jù)為中心的AI？數(shù)據(jù)的數(shù)量與質(zhì)量到底哪一個(gè)優(yōu)先級(jí)更高？哪里可以找到好的數(shù)據(jù)集？這些問題本文都將帶大家探討。

什么是以數(shù)據(jù)為中心的AI？

既然AI由模型和數(shù)據(jù)兩部分組成，那么我們可以想到有兩種基本思路來指導(dǎo)我們的機(jī)器學(xué)習(xí)：

• 以模型為中心: 通過改進(jìn)模型來提升表現(xiàn)

• 以數(shù)據(jù)為中心: 通過改進(jìn)數(shù)據(jù)來提升表現(xiàn)

其實(shí)，以數(shù)據(jù)為中心的AI（data-centric AI）這一概念是吳恩達(dá)（Andrew Ng）的發(fā)明。吳恩達(dá)早前在油管上做了一次直播問答，專門講解了什么是以數(shù)據(jù)為中心的AI。他提出，最近發(fā)表的學(xué)術(shù)論文中，99%都是在談?wù)撃Ｐ?，只?%是以數(shù)據(jù)為中心的。其中有一句話特別值得注意：“別再花太多心思在模型優(yōu)化上了”（your model architecture is good enough）。

吳恩達(dá)何出此言呢？ResNet, VGG, EfficientNet等學(xué)術(shù)界各路天才的種種智慧結(jié)晶，已經(jīng)讓我們現(xiàn)在能夠接觸到的模型架構(gòu)變得非常強(qiáng)大了。試圖再站在這些巨人的肩膀上改善她們的工作只能達(dá)到杯水車薪的效果。

不過，以模型為中心的思路的確更適合那些喜歡鉆研理論的人，她們可以直接把手頭的知識(shí)應(yīng)用到具體場景中提升模型性能。而且，以數(shù)據(jù)為中心的思路聽起來并不討巧，誰會(huì)喜歡每天樂此不疲地給數(shù)據(jù)做標(biāo)注呢？

然而事實(shí)證明，我們能做到的大部分性能提升都是通過以數(shù)據(jù)為中心的方法實(shí)現(xiàn)的。吳恩達(dá)在他的演講中就展示了下面這組數(shù)據(jù)：

圖1 — 基線、模型中心、數(shù)據(jù)中心性能比較（作者制圖）

即使我們對鋼鐵缺陷這些事情沒有什么了解，模型性能在數(shù)字上的顯著提升我們是看得見的。我們可以看到，以模型為中心的方法對基線的改進(jìn)不是零就是接近零，而且這種方法往往需要花費(fèi)從業(yè)者數(shù)百小時(shí)的時(shí)間。

總結(jié)而言，我們可以得出一個(gè)很重要的經(jīng)驗(yàn)教訓(xùn)：不要試圖和一屋子的博士比智商。在想要改進(jìn)模型之前，我們要首先確保手頭上的數(shù)據(jù)質(zhì)量是一流的。

數(shù)據(jù)要先保質(zhì)還是保量？

要想追求數(shù)據(jù)的數(shù)量，通常的做法就是收集盡可能多的數(shù)據(jù)，并將其悉數(shù)扔給神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)映射關(guān)系。然而，一個(gè)數(shù)據(jù)集好用并不意味著它的數(shù)據(jù)量很大。我們可以參考數(shù)據(jù)集分享網(wǎng)站Kaggle上的數(shù)據(jù)集大小分布，圖示如下：

圖2 — Kaggle上的數(shù)據(jù)集大小分布 (圖源作者)

我們可以看到，大多數(shù)數(shù)據(jù)集并沒有太多的數(shù)據(jù)。在以數(shù)據(jù)為中心的方法中，數(shù)據(jù)集的大小并不重要。當(dāng)然，我們不可能用三張圖片去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，但我們的重點(diǎn)要放到質(zhì)量上，而不是數(shù)量。就算我們沒有成百上千的圖片也沒關(guān)系，已有的數(shù)據(jù)質(zhì)量和標(biāo)注準(zhǔn)確度是至關(guān)重要的。我們可以參考下面的例子，下圖是標(biāo)注人員為兩個(gè)橙子的位置做出的兩種不同的標(biāo)注方法。

圖3 — 為物體檢測任務(wù)標(biāo)注邊界的不同方法（圖源作者）

想要讓模型準(zhǔn)確度下降很簡單，只要給它灌入標(biāo)注不一致的數(shù)據(jù)就可以了。如果要追求數(shù)據(jù)的質(zhì)量，我們就必須有嚴(yán)格而統(tǒng)一的標(biāo)注規(guī)則。項(xiàng)目同時(shí)有多家標(biāo)注商時(shí)情況就更是如此。

不過，就算數(shù)據(jù)的質(zhì)量能夠保證，我們到底需要多少數(shù)據(jù)才算夠呢？這個(gè)問題比你想象的要難回答。大多數(shù)算法在其文檔中會(huì)標(biāo)明一個(gè)最小的推薦數(shù)據(jù)量。例如，YOLOv5就建議每個(gè)類別至少有1500張圖片。我本人曾經(jīng)設(shè)法用比這更少的數(shù)據(jù)取得了很好的結(jié)果，但是如果有更多的訓(xùn)練樣本，模型的準(zhǔn)確性肯定會(huì)提高。

總結(jié)而言，擁有大量的數(shù)據(jù)能夠如虎添翼，但數(shù)據(jù)的量絕不是必需品。小數(shù)據(jù)集只要能有較高的數(shù)據(jù)質(zhì)量，我們就可以用較少的數(shù)據(jù)達(dá)到四兩撥千斤的效果。

高質(zhì)量數(shù)據(jù)集哪里找？

現(xiàn)在我們來看一下兩個(gè)能夠免費(fèi)獲取高質(zhì)量數(shù)據(jù)集的平臺(tái)。

Kaggle

Kaggle擁有大量包括圖表和圖像在內(nèi)的數(shù)據(jù)集。同時(shí)，Kaggle經(jīng)常會(huì)舉辦各種各樣的機(jī)器學(xué)習(xí)競賽，其中不乏現(xiàn)金獎(jiǎng)勵(lì)，非常適合那些想要展示自身技能的同學(xué)。不過，盡管Kaggle已經(jīng)非常出名，它沒有針對國內(nèi)的網(wǎng)絡(luò)進(jìn)行優(yōu)化，下載數(shù)據(jù)集并非易事。

圖4 — Kaggle數(shù)據(jù)集主頁

格物鈦公開數(shù)據(jù)集平臺(tái)

也許你沒有聽說過這個(gè)平臺(tái)，不過它的出現(xiàn)確實(shí)給算法開發(fā)者們帶來了極大的幫助，不論你身處國內(nèi)還是國外。

在格物鈦公開數(shù)據(jù)集平臺(tái)（gas.graviti.cn/open-datasets），用戶可以通過數(shù)據(jù)集的名稱聯(lián)想檢索、應(yīng)用場景篩選、標(biāo)注類型篩選、推薦、更新時(shí)間及熱度篩選，輕松找到所需數(shù)據(jù)集。同時(shí)，用戶無需下載，即可在數(shù)據(jù)集詳情頁在線查看標(biāo)注情況及標(biāo)簽分布，掌握數(shù)據(jù)細(xì)節(jié)。

不過，如果你想下載數(shù)據(jù)集至本地，格物鈦用戶提供高速穩(wěn)定的下載服務(wù)。將全球資源Host至國內(nèi)鏡像，無需VPN訪問，滿帶寬極速下載。與進(jìn)入海外官網(wǎng)下載相比，格物鈦至少提速100%。

簡直是身處國內(nèi)AI開發(fā)者的福音！

事實(shí)上，格物鈦平臺(tái)上的數(shù)據(jù)集還在不斷增長中，用戶可以自發(fā)的上傳一些開源數(shù)據(jù)集，其團(tuán)隊(duì)也會(huì)定期加入新的高質(zhì)量公開數(shù)據(jù)集。例如，知名的自動(dòng)駕駛數(shù)據(jù)集nuScenes就在平臺(tái)上有所收錄，并且有非常高效的在線可視化插件一鍵直觀查看數(shù)據(jù)集內(nèi)容：

圖6 — 格物鈦平臺(tái)上的nuScenes數(shù)據(jù)集

不僅如此，當(dāng)你需要某些未被上傳的特定數(shù)據(jù)集時(shí)，你可以加入格物鈦社區(qū)（微信或Discord）。格物鈦提供了問題與需求的反饋渠道，便于一對一針對性回應(yīng)、跟進(jìn)、解決用戶的需求。

結(jié)語

以上就是對以數(shù)據(jù)為中心的AI的基本介紹。簡單來說，以數(shù)據(jù)為中心的AI就是要更關(guān)心數(shù)據(jù)的質(zhì)量而不是數(shù)量。然而，高質(zhì)量的數(shù)據(jù)集是很難找到的。如果你想建立優(yōu)質(zhì)的機(jī)器學(xué)習(xí)模型，你就一定需要優(yōu)質(zhì)的數(shù)據(jù)集。對于接觸數(shù)據(jù)集平臺(tái)而言，Kaggle是一個(gè)很好的開始。但如果你對計(jì)算機(jī)視覺等具體領(lǐng)域感興趣，并且想要以快捷高效的方式訪問數(shù)據(jù)集，

務(wù)必試試免費(fèi)好用的格物鈦公開數(shù)據(jù)集平臺(tái)。掃碼可了解！