IOT物联网  Idea 9月合集帖 【合集】技术干货汇总https://bbs.huaweicloud.com/forum/thread-0243192427314523020-1-1.html话题贴如何正确看待和理解人工智能？https://bbs.huaweicloud.com/forum/thread-02127192348654898022-1-1.html 

是要尊重原创，保持边界

AI发展一定要遵循一定的边界

这个边界是动态的 发展变化的 

没有边界是不行的，也要看技术的发展

肯定是有边界的，边界不同而已

是的，模型的输入尺寸与模型的参数量是有一定关系的，但这种关系并不是直接线性的。具体来说，输入尺寸主要影响模型的计算量和网络的结构复杂度，而参数量通常与网络的层数、每层的神经元数量、以及卷积层中的过滤器数量等因素有关。

几何变换类平移（Translation）：将图像在水平或垂直方向上移动。通过平移，模型可以学习到图像中物体的不同位置。旋转（Rotation）：对图像进行一定角度的旋转，通常以90度、180度或任意角度为单位。能够帮助模型识别物体在不同方位下的表现。缩放（Scaling）：将图像放大或缩小。通过缩放，可以使得模型对物体的尺寸变化具备鲁棒性。裁剪（Cropping）：对图像进行随机或指定区域的裁剪。通常用于随机裁剪部分图像来获得局部细节。翻转（Flipping）：对图像进行水平或垂直翻转。这种增强方法特别有助于提高模型对物体对称性的识别能力。扭曲（Shearing）：将图像按某个角度进行切变，改变图像的几何形状。这有助于模拟物体在不同视角下的变形。

长尾类别（Long Tail Categories） 是指在某些分类任务或分布中，大部分数据集中在少数几个类别，而另一些类别的数据非常稀少，但它们的总数加起来却占据了一个较大的比例。在 长尾分布 中，数据或事件的出现频率是呈现一种“长尾”形态的，意味着少数几种类别的频率非常高，而大量其他类别的频率较低，但这些低频类别的数量加起来，仍然占据了整体数据集的很大一部分。

训练数据与实际数据分布差异（训练-测试分布不一致）在很多情况下，训练数据虽然看起来是“干净的”，但是和实际生产环境中的数据分布可能存在差异。即使训练数据是干净的，也未必能够代表上线后实际遇到的情况。解决方案：数据增强（Data Augmentation）：通过对训练数据进行更多样化的处理（例如旋转、裁剪、噪声添加等），让模型对不同数据的变化有更强的适应性。在线学习/增量学习：模型上线后持续获取新的数据进行微调，从而减少训练数据和实际数据之间的分布差异。模拟真实环境数据：尽量收集更接近生产环境的真实数据进行训练，或者在测试阶段使用和生产环境相似的数据进行验证。