引言：本文主要介绍ICCV2017论文《Revisiting Unreasonable Effectiveness of Data in Deep Learning Era》。
综述
这篇论文主要介绍了作者在数据集大小对深度学习性能的影响，得出了一些结论。
结论
结论一：增大数据集有助于提升表征学习的性能，也就是类似于CNN这种自动提取特征的学习受益于数据集的增大，而且数据集的规模可以战胜标签噪声，作者在JFT-300数据集上的实验证明了这一点，虽然数据集的标签中仍然有20%的噪声，但是增大数据集依然获得了预想中的性能提升。
结论二：任务表现与数据量级呈线性关系，即与数据量呈对数关系，对于JFT-300这么大的数据量，也没有出现平顶效应。
结论三：模型容量也很重要，在大规模数据量下，模型容量越大，也就是层数越多，收益越大。
结论四：数据量增加会带来更好的结果。