深度学习样本不足的问题与缓解方法
哪些公司问过
答案要点
- 样本不足易过拟合,泛化能力差,验证结果方差大,不平衡问题更突出
- 数据增强:图像翻转、裁剪、颜色扰动、Mixup;文本回译、同义词替换
- 迁移学习:加载预训练模型微调,数据极少时冻结大部分层只训练头部
- 正则化:L2 权重衰减、Dropout、早停,并适当减小模型容量
- 利用无标注数据做半监督或自监督,生成模型合成样本,交叉验证与集成辅助
易错点
- 把增强后的数据也放进验证集或测试集,导致评估失真
- 数据很少时从零训练大模型,而不是先考虑预训练微调
- 生成的合成样本不做质量检查,引入分布偏差
面试官常见追问
- 迁移学习时冻结多少层合适?
- 数据增强有什么需要注意的?
- 如何判断模型是不是过拟合?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。