最近，在学习机器学习的分类问题，数据是一个问题，我们用一些数据训练，发现，训练的数据对好的图片识别率高，对不好的图片识别率低，
虽然通常好的图片比较多，但是就像svm一样，支持边界的就那几个点，所以决定分类边界的往往是分错的点。但这并不绝对，因为好的数据
可以决定大的边界，差的数据决定小的边界，因此，这就产生了好几种方案：
方案一：
1、用所有数据（如果数据量大，取局部手动标注）训练一个初步模型，并用该模型对所有数据进行一轮分配（类）。
2、手工找出模型分类错误的点，手动调整后再训练（根据数据大小采取局部和整体相结合）
3、最终用半自动分类的数据进行训练整体模型
方案二：
1、用所有数据（如果数据量大，取局部手动标注）训练一个初步模型，并用该模型对所有数据进行一轮分配（类）。
2、挑出分类错误的样本，并手动分类，在第一轮中，分类正确的样本我们称为好的数据，分类错误的称为边界样本。
现在，问题来了，如何协同这些样本？可以去边界样本数据和好的数据1:1（or n:m）按一定比例构成新的数据集然后进入
第3步训练。
3、最终用半自动分类的数据进行训练整体模型
如果数据量大，可以重复1、2步骤。
为什么这样做？因为通常是好的数据比边界数据多得多，当10000张好的数据和1张边界数据进行分类，准确率也达到99.99%，
但，我们为什么不用error 产生者，去训练，这样收敛的也快，也减少了不必要的epoch。
当然，上面还可以衍生各种组合。
有监督学习就像一把枪，指哪打哪，但是，你乱指（数据乱标），那他就乱打。
对于不好区分，或者人眼看过去比较边界模棱两可的图像，比如将两种花区分开来，但是
实际应用这图片不是都是非常好的图像，会存在曝光、偏光、夜晚等情况，如果有些图片是
在夜晚拍摄，这时候两种花大部分背景色调都是黑色，都不好区分，这时候训练的边界数据
就需要用learning rate小一些比较好。
（转载需获得作者同意哦）