知识点 › 模型训练

课程学习与难例训练

Curriculum

模型训练Lv.3

定义

先易后难、或对难例加权：按难度分阶段训练、OHEM（在线难例挖掘）、focal loss、长尾重采样。目的是让有限容量优先拟合「决定安全」的样本。

关键要点

  • 难度定义要可计算（损失、置信度、场景标签），否则无法自动化
  • 过度加权难例会牺牲简单场景的稳定性，需监控回归
  • 课程学习对端到端模型的收益比模块化更明显

面试怎么答

讲「难度可计算 + 监控回归」，避免「只刷难例」的偏科。

相关知识

  • 数据配比 — 决定训练集里各类场景的采样权重：简单场景做基底、长尾场景过采样、新开城/新车型加权、旧场景防遗忘。配比错了，模型会在「…
  • 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系：车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…
在星图上打开这颗星 →