1回答
bert-lstm-crf模型经过25个时期的训练后，在训练集、开发集和测试集上的性能保持不变，但损失继续减少。我应该在哪里做改变？以下是性能： 第25个纪元： tensor(10267.6279, device='cuda:0')(0.458715
浏览 18提问于2019-05-01得票数 1
由于我已经开始训练，每个时期的训练损失都在减少，因此每个时期之后训练的准确性都会提高。如何改进这一点，如何减少验证损失？
浏览 17提问于2020-02-22得票数 0
1回答
我使用二进制交叉熵作为我的损失和优化器的标准SGD。当我训练时，训练和验证损失继续下降，但准确性和验证精度保持不变。24,514,818_________________________________________________________________ 我预计要么两个损失都会减少，而两个精度都会增加，要么网络会过拟合，验证损失和准确性不会有太大变化。无论哪种方式，
浏览 347提问于2019-08-12得票数 6
回答已采纳
为了抵消这个不平衡的数据，我用类概率的反比(1/(类的比例))来加权损失。这意味着，对于少数族裔阶层来说，损失会成倍增加。这确实有助于消除阶级不平衡。
但是，对于此加权损失，我使用训练数据集中的比例。这使得对验证数据的加权损失无法解释。有什么办法可以抵消这一点吗？例如，为火车/验证集(基于它们各自的分布)提供单独的权重会有帮助吗？
浏览 0提问于2018-04-25得票数 2
回答已采纳
2回答
由于数据集高度不平衡，我使用损失函数作为(1 -加权骰子系数)和度量函数作为骰子系数。我已经将数据集从0-255规范化为0-1。我正在使用带有tensorflow后端的keras来训练模型。在训练UNet++模型时，我的损失函数随着时间的推移而减小，但我的度量保持不变。我无法理解为什么公制是不变的，因为损失正在按预期减少？另外，我无法理解，当骰子系数返回0到1之间的值时，为什么损失大于1？
这是我的
浏览 0提问于2019-01-18得票数 11
当我运行它时，我的准确度总是在50%左右，损失减少。这与验证损失验证的准确性是一样的。验证损失不断减小，但验证精度始终为.45。
浏览 11提问于2022-01-22得票数 0
3回答
当我试图训练的神经网络的验证误差慢慢减小，但没有太多的减少时，是否可以在这一点上停止训练，还是需要增加训练时间直到达到最小的验证误差？633.5318因此，与第4和第5周期相比，损耗减少了
浏览 0提问于2020-03-13得票数 0
回答已采纳
2回答
弄清楚损失和精确曲线
、、、、
损失(在这种情况下是交叉熵)和不合理的精确图。下面是一个示例：在这里，我正在CIFAR10上训练一个CIFAR10。最初，这些曲线都很好，很好；这意味着训练和验证损失在减少，准确性也在增加。在120 (其中LR减少)之后，val。损失和准确性开始改善几个时代(绿色盒子)。为什么降低学习率会突然提高模型的验证性能，这个
浏览 0提问于2020-08-19得票数 3
对于下面的代码，损失会减少。loss_function=nn.MSELoss()但是，如果我用floor函数更改pred，损失将保持完全不变。loss_function=nn.MSELoss()为什么会发生这种事？
浏览 0提问于2020-07-21得票数 1
回答已采纳
2回答
这是一个过载的网络吗？
、、、、
我有怀疑，因为我读过，过度拟合是产生时，一个网络是过度训练，它发生时，验证损失增加。以这种方式拆分单个数据集：
2000时代训练
培训损失: 3.1711e-05验证损失
浏览 5提问于2017-04-03得票数 2
是否可以在训练集中添加一个新的数据点，使SVM损失保持不变，而不是使Softmax分类器损失保持不变？
浏览 2提问于2018-04-16得票数 2
回答已采纳
1回答
我正在学习和试验神经网络，并希望从更有经验的人那里获得以下问题的意见：
损失：(绿色=瓦尔，蓝色=火车]
浏览 1提问于2016-05-10得票数 13
11回答
为什么我们，程序员，仍然有这个StackOverflow问题？
为什么在每种主要语言中，线程堆栈内存都必须在线程创建时静态地分配？为什么？现代CPU是否存在一些根本限制，使其不可能/效率低下？如果您考虑到重新分配所带来的性能影响，这应该是可以接受的，因为人们总是使用像ArrayList这样的结构，而不会遭受太大的损失。所以，问题是，我是遗漏了什么，而StackOverflow不是一个问题，还是我遗漏了一些东西，并且有很多语言具有动态堆栈，或者这是不可能
浏览 4提问于2010-07-10得票数 43
回答已采纳
我问这个问题的原因是:我在训练一个网络，并且看到训练损失(两个嵌入的MSE)会像预期的那样减少(几个数量级)，但是验证损失保持不变。首先，我认为这可能是由于过度适应。因此，由于训练数据集相当大(200 k图像)，我决定减少时代大小，以便能够更经常地看到评估的验证集，从而导致比训练size /batchSize更小的历元。即使在那时，我也看到训练损失从一个时代减少到另一个时代(验证损失仍然保持不变</
浏览 0提问于2018-02-27得票数 6
回答已采纳
我需要获得一段时间内的损失历史，以便将其绘制在图形中。% 50 == 0: step += 1请参阅文档：“待优化的变量在优化结束时就地更新”。这是损失保持不变的原因吗？
浏览 192提问于2017-06-22得票数 6
回答已采纳
1回答
当我在执行各种问题的代理时.我看到我的演员损失正在如期而至地减少。但我的批评者损失保持增长，即使政策是非常了解。这发生在DDPG，PPO等。
想一想为什么我的评论家的损失在增加。
浏览 3提问于2019-09-19得票数 2
回答已采纳
2回答
y_train, batch_size=128, epochs=500, verbose=1, shuffle=True, validation_data=(x_test, y_test))
我的两个损失都减少了，我的训练精度提高了，但是验证精度保持在50% (考虑到我正在做一个二进制分类模型，这太糟糕了)。
浏览 2提问于2020-05-03得票数 5
回答已采纳
交叉熵损失(CEL)是否重要，因为在反向传播(BP)中，只有Softmax (SM)概率和一个热向量是相关的？
在应用BP算法时，CEL的导数是输出概率(SM)与热编码向量之间的差值。
浏览 0提问于2019-07-20得票数 0
2回答
tf.keras损耗变为NaN
、、、、
我减少了数据集中的示例数，因此运行时更低。每个时代的损失和准确度保持不变。通常损失为2.3025，准确度为0.0986。
损失从NaN开始(并保持这种方式)，而准确性则保持在低水平。编辑:有时，损失减少，但准确性保持不变。此外，有时损失减少，精度提高，但经过一段时间，精度下降，而损失仍在下
浏览 0提问于2019-03-24得票数 4
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
