上次测试了调整图片色调，明暗等对目标检测的影响，得出了结论是：数据增广时调整范围越大越好，模型能自己过滤出有效的特征。但是这引出另外的问题：：如果深度学习模型能够自动过滤调一些样本的话，这就相当于损失了部分训练数据。为了达到同样的训练效果，是否需要更多的训练轮数？
实验：
1.高斯噪声sigma＝20，训练300轮。

2.高斯噪声sigma＝50，训练300轮。

后面测试sigma＝200的实验还没结束。但从训练结果上看，模型只是收敛得较慢，没有想象的那样导致无法收敛。
结论：
添加的噪声越多，需要增加训练的轮数越多。似乎只要训练的轮数足够多，随机添加多少噪声都是可以的。深度学习模型不在乎“错误、无效”的数据有多少，只要保证数据的分布能使模型模型学到有用的模式就行。
思考：
在CV实验过程中发现，在几百轮的训练中，训练集的loss一直在下降，而不是像房价预测那样，几万轮后训练集loss也不下降了。看来cv模型只是靠增加算力就还可以提高分类精度。