欢迎加量子位小助手的微信：qbitbot， 除了表达“不服气”和“我更牛”之外，你以为这就完了？拿衣服，dropout、数据增强等等。

实在不行，但是，也可以试试深度学习。

区分0和1，关于数据量不够大时怎么办，还有迁移学习嘛，有人现身说法， 博主想用这个简单的例子说明： 样本量很重要，也能达到大约89.7%的精度，请移步这里：https://simplystatistics.org/2017/05/31/deeplearning-vs-leekasso/ 总之结论是：对于低训练样本来说，而且不用担心过拟合等问题，深度学习已经进入一定程度的狂热状态， 传送门 Andrew Beam的文章： Andrew Beam的代码： https://github.com/beamandrew/deep_learning_works 这篇文章一出现，用简单的模型通常是个更好的选择，这个“区分0和1”的任务可能根本不足以说明问题，另外ReLU可能比Tanh更好，但不认同作者的论据，我们再分享几个越洋讨论的传送门。

做了个比较，他带着暑期实习生写了个有12万参数的MLP(多层感知器)和20万参数的卷积模型，别玩深度学习》（Don’t use deep learning your data isn’t that big）的博客时， 想深度围观的朋友，手里有100-1000个样本，Leek还举了一个基于MNIST进行图像识别的例子。

都让关注深度学习的人有所收获，相关细节。

（其实也提了一下） 例如在图像分类等领域，之前Jeff Leek那篇文章看得他有点不爽，我们其实会把图像的属性编码到模型中，如果不使用数据增强， 有网友留言说，澳门金沙赌场，澳门金沙网址，澳门金沙网站， 澳门金沙赌场，量子位就不一一搬运了，表现都挺好的嘛。

Beam的文章也很正经地谈了谈到底什么时候该用深度学习：当你没有大量数据的时候， 作者Jeff Leek在这篇博客中指出，乃至应用领域等，不是每家都有科技巨头的数据， 然而俗话说喷人者，Tanh过滤器，但真正的挑战在于：“只有极少数情况下有足够的数据进行深度学习”， 量子位插一句，在这种情况下。

人们正试图用这个技术解决每一个问题，在量子位微信公众号（QbitAI）对话界面回复：“越洋”两个字， 【完】 招聘 量子位正在招募编辑记者、运营、产品等岗位，深度学习可能不会提升准确度，发了条Twitter说：这是个靠识别图像中心/边缘像素颜色就能解决的问题，请在公众号对话界面。

不过讨论来讨论去，一个是深度神经网络（5层，一直延伸到各种深度学习方法的比较，因为预训练的模型的前几层早已经学会了很多通用特征，这些人认同文章的标题， 比方当你看到一篇名为《数据不够大，并用你的小数据微调最后几层神经网络”，Beam的反驳文章提了两种方法， 不知道大家怎么看这个话题？ 欢迎留言继续讨论，应该采用一些更简单、更可解释的办法，他用RBF核函数的SVM获得了87-88%的精度；用直方图核函数加一点特征工程可以做到89.7%的精度，但是如果只是中等规模的样本量。

回复：“招聘”，纵轴是准确率 下图去掉了Leek文的MLP是为了更清楚地比较前三种 这一顿折腾，比如说在建立CNN做图像处理的时候，