谷歌用3亿张图做了个深度学习实验，结论：数据还是越大越好

陈桦编译自 Google Blog
量子位报道 | 公众号 QbitAI

都说深度学习的兴起和大数据息息相关，那么是不是数据集越大，训练出的图像识别算法准确率就越高呢？

Google的研究人员用3亿张图的内部数据集做了实验，然后写了篇论文。他们指出，在深度模型中，视觉任务性能随训练数据量(取对数)的增加，线性上升。

以下是Google Research机器感知组指导教师，卡耐基梅隆大学助理教授Abhinav Gupta对这项工作的介绍，发布在Google Research官方博客上，量子位编译：

过去10年，计算机视觉技术取得了很大的成功，其中大部分可以归功于深度学习模型的应用。此外自2012年以来，这类系统的表现能力有了很大的进步，原因包括：

1）复杂度更高的深度模型；

2）计算性能的提升；

3）大规模标签数据的出现。

每年，我们都能看到计算性能和模型复杂度的提升，从2012年7层的AlexNet，发展到2015年101层的ResNet。

然而，可用数据集的规模却没有成比例地扩大。101层的ResNet在训练时仍然用着和AlexNet一样的数据集：ImageNet中的10万张图。

作为研究者，我们一直在关注这样的问题：如果能将训练数据集扩大10倍，精确度是否会有成倍的提升？如果数据集扩大100倍或300倍又会怎样？精确度会停滞不前，还是随着数据量的增长不断提升？

△ 过去5年间，GPU计算力和模型复杂度都在持续增长，但训练数据集的规模没有任何变化

在论文Revisit the Unreasonable Effectiveness of Data中，我们迈出了第一步，探索“大量数据”与深度学习之间的关系。我们的目标是研究：

1）使用当前的算法，如果提供越来越多带噪声标签的图片，视觉表现是否仍然可以得到优化；

2）对于标准的视觉任务，例如分类、对象探测，以及图像分割，数据和性能之间的关系是什么；

3）利用大规模学习技术，开发能胜任计算机视觉领域各类任务的最先进的模型。

当然，问题的关键在于，我们要从何处找到比ImageNet大300倍的数据集。

Google一直努力构建这样的数据集，以优化计算机视觉算法。在Geoff Hinton、Francois Chollet等人的努力下，Google内部构建了一个包含3亿张图片的数据集，将其中的图片标记为18291个类，并将其命名为JFT-300M。

图片标记所用的算法混合了复杂的原始网络信号，以及网页和用户反馈之间的关联。

通过这种方法，这3亿张图片获得了超过10亿个标签（一张图片可以有多个标签）。在这10亿个标签中，约3.75亿个通过算法被选出，使所选择图片的标签精确度最大化。然而，这些标签中依然存在噪声：被选出图片的标签约有20%是噪声。

我们的实验验证了一些假设，但也带来了意料之外的结果：

更好的表征学习(Representation Learning)能带来帮助。

我们观察到的首个现象是，大规模数据有助于表征学习，从而优化我们所研究的所有视觉任务的性能。

我们的发现表明，建立用于预训练的大规模数据集很重要。这还说明无监督表征学习，以及半监督表征学习方法有良好的前景。看起来，数据规模继续压制了标签中存在的噪声。

随着训练数据数量级的增加，任务性能呈线性上升。

或许最令人惊讶的发现在于，视觉任务性能和表现学习训练数据量（取对数）之间的关系。我们发现，这样的关系仍然是线性的。即使训练图片规模达到3亿张，我们也没有观察到性能上升出现停滞。如下图所示：

模型容量非常关键。

我们观察到，如果希望完整利用3亿张图的数据集，我们需要更大容量（更深）的模型。

例如，对于ResNet-50，COCO对象探测得分的上升很有限，只有1.87%，而使用ResNet-152，这一得分上升达到3%。

新的最高水准结果。

我们的论文用JFT-300M去训练模型，多项得分都达到了业界最高水准。例如，对于COCO对象探测得分，单个模型目前可以实现37.4 AP，高于此前的34.3 AP。

需要指出，我们使用的训练体系、学习进度以及参数基于此前用ImageNet 1M图片训练ConvNets获得的经验。

由于我们并未在这项工作中探索最优的超参数（这将需要可观的计算工作），因此很有可能，我们还没有得到利用这一数据集进行训练能取得的最佳结果。因此我们认为，量化的性能报告可能低估了这一数据集的实际影响。

这项工作并未关注针对特定任务的数据，例如研究更多边界框是否会影响模型的性能。我们认为，尽管存在挑战，但获得针对特定任务的大规模数据集应当是未来研究的一个关注点。

此外，构建包含300M图片的数据集并不是最终目标。我们应当探索，凭借更庞大的数据集（包含超过10亿图片），模型是否还能继续优化。

Google Research Blog原文：https://research.googleblog.com/2017/07/revisiting-unreasonable-effectiveness.html

相关论文：Revisiting the Unreasonable Effectiveness of Data
https://arxiv.org/abs/1707.02968

你可能还关心那个3亿张图的数据集。它目前还是Google内部用品，这两篇论文提到过它：

Distilling the Knowledge in a Neural Network
Geoffrey Hinton, Oriol Vinyals, Jeff Dean
https://arxiv.org/abs/1503.02531

Xception: Deep Learning with Depthwise Separable Convolutions
Franc¸ois Chollet
https://arxiv.org/abs/1610.02357

【完】

看完本文有收获？请转发分享给更多人

欢迎关注“互联网架构师”，我们分享最有价值的互联网技术干货文章，助力您成为有思想的全栈架构师，我们只聊互联网、只聊架构，不聊其他！打造最有价值的架构师圈子和社区。

本公众号覆盖中国主要首席架构师、高级架构师、CTO、技术总监、技术负责人等人群。分享最有价值的架构思想和内容。打造中国互联网圈最有价值的架构师圈子。

长按下方的二维码可以快速关注我们
如想加群讨论学习，请点击右下角的“加群学习”菜单入群