如何应对Out-of-Distribution 问题？

1. 阙值设定

将分类模型输出的置信度prob 作为确定分类结果的参考依据，高于某一阈值则认为匹配到某个分类。这一方法具有经验意义，实践中有效的屏蔽了大部分OOD 错误。

1. 逻辑控制

对于算法模型的部分OOD 误判，我们可以通过逻辑关系来辨别。如我们认为DSL 树的同一条路径上不可能有多个相同组件（否则形成自嵌套），如果该路径上识别出多个相同组件，那么我们通过置信度大小来选择识别结果。此类逻辑帮我们筛选了大部分误判。

1. 负样本录入

提供的反馈服务，允许用户将识别错误的DSL 上传，上传后增强为一定数量的负样本并存储。在此基础上重新训练，可以解决OOD 问题。

目前OOD 问题还是依赖逻辑和反馈的方法来规避，算法层面仍然没有解决该问题，这是我们下一阶段计划去做的事。

1. 模型部署

算法平台支持将模型部署为线上接口，即预测服务，通过imgcook 平台可一键调用部署。为了实现自动化训练、部署的流程，我们还做了一系列算法工程的工作，在此不作详述。

以上内容摘自《前端代码是怎样智能生成的》电子书，点击https://developer.aliyun.com/topic/download?id=53可下载完整版