blocks|key|3660892|text|在不知道自己在做什么的情况下很难说出任何具体的东西。但是因为您提到您的数据集非常小:+500个样本，所以我说您的10%25的性能跃升并不令人惊讶。还是有一些想法：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|3660893|如果可以的话，|3660894|绝对会使用更大的数据集。如果无法收集更大的数据集，请尝试增加您已有的数据集。|unordered-list-item|3660895|尝试较小的误差，看看效果如何，尝试不同的正则化器(误差不是唯一的选项)|3660896|您的数据很小，您可以运行200多次迭代|3660897|查看模型在测试集上的表现，可能是它严重过度拟合了data|3660898|3660899|entityMap^0|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|P|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|Q|8|@]|9|@]|A|$]]|$1|D|3|E|5|F|7|R|8|@]|9|@]|A|$]]|$1|G|3|H|5|F|7|S|8|@]|9|@]|A|$]]|$1|I|3|J|5|F|7|T|8|@]|9|@]|A|$]]|$1|K|3|L|5|F|7|U|8|@]|9|@]|A|$]]|$1|M|3|-4|5|6|7|V|8|@]|9|@]|A|$]]|$1|N|3|-4|5|6|7|W|8|@]|9|@]|A|$]]]|O|$]]

It is hard to say anything concrete without knowing what you do. But because you mentioned that your dataset is very small: 500 samples, I say that your 10% performance jumps are not surprising. Still a few ideas:

<ul>
<li>definitely use a bigger dataset if you can. If it is not possible to collect a bigger dataset, try to augment whatever you have.</li>
<li>try a smaller dropout and see how it goes, try different regularizers (dropout is not the only option)</li>
<li>you data is small, you can afford to run more than 200 iterations</li>
<li>see how your model performs on the test set, it is possible that it just severely overfitted the data</li>
</ul>

blocks|key|3520817|text|除了数据集非常小之外，在使用dropout正则化的训练期间，损失函数不再被很好地定义，我认为准确性也是有偏差的。因此，任何跟踪的指标都应该在没有丢失的情况下进行评估。它认为keras在训练过程中计算准确度时不会关闭它。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|3520818|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|D|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|E|8|@]|9|@]|A|$]]]|C|$]]

Beside the fact that the data set is very small, during a training with a dropout regularization the loss function is not anymore well defined and I presume the accuracy is also biased. Therefore any tracked metric should be assessed without dropout. It seams that keras does not switch it off while calculating the accuracy during training.

I'm getting really high variability in both the accuracy and loss between each epoch, as high as 10%. It happens to my accuracy all the time, and my loss when I start adding in dropout. However I really need the dropout, any ideas on how to smooth it out?<a href="https://i.stack.imgur.com/ULiBa.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/ULiBa.png" alt="enter image description here"></a>

High variability loss of neural networks

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我得到了非常高的可变性，在每个时期之间的准确性和损失，高达10%。它总是发生在我的准确性上，当我开始添加dropout时，我的损失就会出现。然而，我真的需要辍学，有什么办法解决这个问题吗？​

问神经网络的高变异性损失
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问神经网络的高变异性损失EN