我目前正在使用Nvidia DIGITS训练一个图像分类器。我正在下载1,000,000张图像作为ILSVRC12数据集的一部分。如您所知，这个数据集包含1,000个类别，每个类别有1,000张图像。问题是很多图像是从失效的Flickr网址下载的，因此我的数据集中有相当一部分（约5-10%）被下图所示的通用“不可用”图像填充。我计划逐一删除这些“通用”图像的副本，从而使我的数据集只保留与每个类别相关的图像。
这一行动将导致各类别的数据量不均匀。它们将不再每个类别包含1,000张图像。它们将包含900到1,000张图像不等。每个类别的数据量是否必须相等？ 换句话说，我可以删除这些通用图像而不影响分类器的准确性吗？提前感谢您的反馈。
回答：
每个类别的训练数据数量不必完全相等。10%的差异不会显著影响训练过程。
如果您仍然担心标签不平衡问题，可以考虑使用"InfogainLoss"层来补偿缺失的样本。
附注，您可以利用所有无效的Flickr照片实际上是相同的这一事实，并根据它们的md5sum自动删除它们。
有关下载imagenet照片时如何过滤这些图像的示例，请参见这个回答。
