在初學機器學習的時候，常常看到一些博友提到，做機器學習80%以上的時間都用在了處理資料上，當初不以為然。現在工作也一年多了，在實際的專案中深深地體會到了這種說法的合理性。對於深度學習演算法而言，提升效果最明顯的方法就是資料了，改網路、損失函式、調參這些通常只能提升1~2個點，所以只適用於刷榜和最終的優化。在實際的專案過程中，前期都是通過做資料來顯著提升模型效果的。
       在做專案中，測試模型效果用的資料通常都是業務上的真實資料，而訓練資料有三種來源：(1) 無可用的訓練集，需要人力進行資料的採集和標定，這裡最關鍵的就是制定標定說明書了；(2) 有可用訓練集，但是其中存在噪聲，需要清洗後才能使用；(3) 有可用的公開資料集，可以直接拿來訓練模型。下面解釋跟資料相關的兩個方向。

1. 資料準備

       為了使模型在業務測試集上有比較好的表現，一定要保證自己的訓練集和測試集圖片分佈相似，最簡單的方法就是，在桌面並排展示訓練集和測試集兩個資料夾中的圖片，對比觀察它們的差異，比如手機上的相簿分類演算法，如果測試集中的人像類別多為亞洲人，那麼訓練集也應該爬取相應的圖片了，如果測試集中的動物類別只有貓狗，那麼在爬去訓練集中的動物類別素材時，爬取所有動物的圖片就毫無意義了，反而會降低模型在測試集上的效果。

2.資料增強

       資料增強在模型效果優化方面，算是“錦上添花”了。更多地，它應用於當前的訓練資料量很少，或者訓練資料量足夠但是圖片多樣性不夠的情況。總結來說，資料增強的方法有以下幾種，
       (1) 隨機翻轉，包括左右翻轉和上下翻轉；
       (2) 隨機旋轉，通常在45度以內；
       (3) 隨機裁剪。
值得注意的是，增廣後的影象要符合真實的場景。