一个模型抵得上数以万计的样本

依赖数学数据生成模型的传统信号处理方法已被弃用，取而代之的是需要海量数据的深度神经网络。由于理论样本复杂度几乎无法评估，通常只能用粗略的经验法则来估计所需的样本量。然而，这些法则仅表明网络何时能起作用，却与传统方法无关。具体而言，一个有趣的问题是：如果可能的话，神经网络需要多少数据才能与传统的基于模型的方法持平或胜出？在这项工作中，我们在两个简单示例中实证研究了这一问题，这两个示例中的数据均根据精确定义的数学模型生成，且已知有充分理解的、最优或最先进(state-of-the-art)的与数据无关的数学解。第一个问题是对一维高斯信号进行反卷积，第二个问题是在随机灰度圆盘图像中估计圆的半径和位置。通过使用不同数量的训练数据训练各种网络（包括简单的自定义网络和成熟的网络），我们发现，与传统方法相比，网络需要数以万计的样本，无论网络是从头开始训练，还是通过迁移学习或微调进行训练。