一个模型所能提供的信息一般来源于2个方面，一是训练数据中蕴含的信息，二是在模型的形成过程中（包括构造，学习，推理等），人们提供的先验信息。当训练数据不足时，说明模型从原始数据中获取的信息比较少，这种情况下要保证模型的效果，就需要更多的先验信息。先验信息可以作用在模型上，例如让模型采用特定的内在结构，条件假设或添加其他一些约束条件；先验信息也可以直接作用在数据集上，即根据特定的先验假设去调整，变换或扩展训练数据，让其展现出更多的，更有用的信息，以利于后续模型的训练和学习。
在图像分类任务中，训练数据不足会带来什么问题？
具体到分类任务上，训练数据不足带来的问题主要体现在过拟合方面。即模型在训练样本上的效果可能不错，但在测试数据集上泛化效果不佳。
如何缓解数据量不足带来的问题？
一是基于模型的方法，主要是采用降低过拟合风险的措施，包括简化模型 ， （将非线性模型简化为线性模型），添加约束项以缩小假设空间（L1/L2正则项），集成学习，Dropout超参数等。
二是基于数据的方法：主要通过数据扩充，即根据一些先验知识，在保持特定信息的前提下，对原始数据进行适当变换以达到扩充数据集的效果。
具体到图像分类任务重，在保持图像类别不变的前提下，可以对训练集中每幅图像进行以下变换。
1. 一定程度内的随机旋转，平移，缩放，裁剪，填充，左右翻转等，这些变换对应着同一个目标在不同角度的观察结果。
2. 对图像中像素添加噪声扰动，比如椒盐噪声，高斯白噪声。
3. 颜色变换。例如在RGB颜色空间上进行主成分分析，得到3个主成分特征向量p1,p2,p3.及其对应的特征值，然后再么给像素的RGB值上添加增量。
4. 改变图像的亮度，清晰度，对比度，锐度。
除了直接在图像空间进行变换，还可以先对图像进行特征提取 ，然后再图像的特征空间内进行变换，利用一些通用的数据扩充或上采样技术，例如SMOTE算法。
抛开上诉这些启发式变化方法，使用生成模型也可以合成一些新样本，例如非常流行的生成式对抗网络模型。
此外 借助已有的其他模型或数据进行迁移学习在深度学习中也十分常见。例如，对大部分的图像进行分类任务，并不需要从头开始训练模型，而是借用一个在大规模数据集上预训练好的通用模型，并在针对目标任务的小数据集上进行微调，这种微调操作也可以看作一种简单的迁移学习。