[CLS 01 · 学习信号、表示与迁移](/course/notebooks/fb4365d604974dd19df492cb22516e44.html)

# 第二讲用一个具体闭环连接图像、网络、类别预测、人工标签、损失和参数更新
[独立阅读](/course/notebook-blocks/40a5f51d7b11433ea6cce79aa2904a54.html)
主线阅读与优先实验

标签供给、文本目标接口、视图/队列/MAE图与表示迁移证据

第二讲用一个具体闭环连接图像、网络、类别预测、人工标签、损失和参数更新。ImageNet 分类预训练让同一个网络读过大量图像，并从分类错误中调整表示。今天先保留这个闭环，把注意力放到标签：更多图片，是否意味着我们已经获得更多合适的训练题？

一张桌面图可以被标为“室内”，也可以要求框出两个杯子，还可以要求逐像素区分杯与桌面。这三种答案需要不同的判断与标注劳动。把粗类别集合拼在一起也不会自动得到细粒度答案：只标“杯子”的数据无法直接告诉我们哪一个是红杯。

2016 年的同期访谈中，Scale 共同创始人 **Lucy Guo 与 Alexandr Wang** 介绍了将人工任务、人员组织与质量控制包装成可调用服务的做法；任务包括分类、数据提取等。这段经历说明，监督供给也有组织与工程问题。[同期访谈](https://www.ycombinator.com/blog/scale)

**一条路线是把人的判断组织得更有效；另一条路线是重新设计训练任务，让已有数据提供一部分答案。我们先借文字看看后一条路线怎样成立。**