如何在训练过程后找出模型的验证精度？
在训练过程后找出模型的验证精度可以通过以下步骤进行：
- 数据集划分：将原始数据集划分为训练集和验证集。通常情况下，训练集用于模型的训练，验证集用于评估模型的性能。
- 模型训练：使用训练集对模型进行训练。根据具体任务和算法，选择适当的训练方法和参数进行模型训练。
- 模型验证：使用验证集对训练好的模型进行验证。将验证集输入到模型中，得到模型的预测结果。
- 计算精度：将模型的预测结果与验证集的真实标签进行比较，计算模型的验证精度。常用的评估指标包括准确率、精确率、召回率、F1值等。
- 调整模型：根据验证精度的结果，可以对模型进行调整和优化。例如，调整模型的超参数、改变模型的结构等。
- 重复步骤2-5：根据需要，可以多次进行模型训练和验证的迭代过程，直到达到满意的验证精度。
推荐的腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）提供了丰富的机器学习工具和算法，可用于模型训练和验证。腾讯云AI智能图像分析（https://cloud.tencent.com/product/tiia）提供了图像识别和分析的能力，可用于图像相关任务的模型验证。腾讯云自然语言处理（https://cloud.tencent.com/product/nlp）提供了文本处理和语义理解的能力，可用于文本相关任务的模型验证。
相关·内容
1回答
我目前正在Cifar10数据集上训练一个常规网络。假设我有5万张训练图像和5000张验证图像。
为了开始测试我的模型，假设我只从10,000张图像开始，来了解模型的成功程度。
经过40个时代的训练和一个128批大小的每一个时代，我运行我的优化，以尽量减少损失10,000 / 128次，在一批128张图片(SGD)。
现在，假设我找到了一个在验证集上达到70%准确性的模型。满意后，我继续进行全套训练。
这一次，对于每一个时代，我运行优化器，使损失最小化5* 10,000 / 128 ~ 391次。
这使我认为，我在每一个时代的准确性应该比在有限的10,000集上更高。令我非常沮丧的是，有限训练集
浏览 8提问于2017-03-25得票数 0
回答已采纳
训练完成后，我在我的网络上做了预测，我想计算我的模型的“精度”和“召回率”，然后将其发送到"tensorboard“的日志文件中，以显示曲线图。在训练时，我将"tensorboard“函数作为回调发送给keras。但是训练结束后，我不知道如何将更多的数据添加到tensorboard中进行绘制。我使用keras进行编码，使用tensorflow作为其后端。
浏览 5提问于2018-08-24得票数 1
1回答
验证和测试的准确性差别很大
、、、、
我目前正在处理kaggle中的一个数据集。在训练了训练数据的模型后，我在验证数据上对其进行了测试，得到了0.49左右的准确率。
然而，相同的模型在测试数据上的准确率为0.05。
我使用神经网络作为我的模型
那么，发生这种情况的可能原因是什么，以及如何开始检查和纠正这些问题？
浏览 3提问于2018-02-10得票数 10
回答已采纳
我正在训练一个CNN模型，它需要对4个物体进行分类。3个杯子(白色，黑色，蓝色)和1个玻璃杯。当我训练我的模型只有10个时代，我得到了25%的验证准确性，其中所有的东西都被标记为白色杯子。然而，当我训练同样的模式更长的时间，它最终偏离了这25%的准确性，并上升到80%，它唯一的问题，是分类的白色杯子。
换句话说，如果我能够找到为什么我的分类器错误地分类白色杯子，那么我可能达到90%的validation_accuracy。因此，我的问题是，有什么东西我可以尝试找出为什么它预测错误，或改善的东西。我已经用石灰来检查为什么我的模型分类，但我不能从它得到更多的智慧。
模型的一些规格：
无数据增强5卷
浏览 4提问于2020-05-28得票数 1
1回答
我正在使用CNN在Chainer中对细胞图像进行分类。随着主/训练精度的提高，模型的验证精度也在下降。我想知道为什么验证准确率在下降，有什么方法可以提高验证准确率。 数据形状为( 32，3，60，80)，其中32是批量大小，3是通道，60和80分别是高度和宽度。 我已经在除最后一层之外的所有层中应用了relu和dropout。在该模型中，即使在50个时期之后，训练和验证精度也是不变的。下面给出的模型显示主/训练精度从0.78逐渐增加到0.98，验证精度在100个时期后从0.79变化到0.66。 model = Sequential(
L.Convolution2D(None, 128
浏览 24提问于2019-01-08得票数 1
回答已采纳
2回答
特征选择和交叉验证
、、、、
我想训练一个回归模型，为了做到这一点，我使用随机森林模型。然而，我也需要进行特征选择，因为我的数据集中有太多的特征，我担心如果我使用了所有的特征，我就会过度拟合。为了评估我的模型的性能，我还执行了5折交叉验证，我对以下两种方法的问题是正确的，为什么？
1-如果我将数据分成两半，在前半部分进行特征选择，并使用这些选择的特征在剩余的一半上进行5折叠交叉验证( CV ) (在这种情况下，5 CV将使用完全相同的选择特征)。
2-执行以下步骤：
1-将数据分成4/5用于训练，1/5用于测试2-将此训练数据(完整数据的4/5 )分成两半: a-)在前半部分训练模型并使用训练后的模型进行特征选择。b-)使
浏览 1提问于2013-10-29得票数 5
全。目前，我正在使用1990年的人口普查作为数据集( Aurélien Géron在他的书中使用的同样的数据集)来预测中位数房屋价值。
到目前为止，我的最好成绩是训练集和~0.80，以及带套袋回归器的测试集的评分为0.96。以下是我一直在做的事情：
precisao_treino = clf.score(dados_treino_feat,dados_treino_targ) #training score
precisao_valid = clf.score(dados_valid_feat,dados_valid_targ) #test score
(0.96988804654694
浏览 0提问于2019-05-27得票数 2
我正在尝试训练一个LSTM模型，我还绘制了训练测试精度和训练测试损失的图表，正如您从我附加的图像中所看到的那样。
让我担心的是这些情节很嘈杂。根据我的理解，如果我错了，请纠正我，噪音意味着我过度拟合我的模型，它不能学习。我说的对吗？
谢谢。
浏览 0提问于2021-07-18得票数 0
1回答
我有‘练习’数据集，我可以分成训练，验证和测试集，我将玩数据，以建立一个机器学习模型。但在实际情况下，我将得到一个非常小的数据集，我将分为培训和验证集。没有足够的观察来建立一个单独的测试集。那么，如何根据实际数据来估计模型的“公平”性能呢？
我唯一的想法是找出验证集上的性能与实际数据上的测试集(一条回归线等)之间的关系，然后将公式应用于实际数据的验证集上的性能，以便在实际数据的测试集中(实际上不存在)找到它。
还有什么好主意吗？
浏览 0提问于2018-01-31得票数 1
1回答
我刚刚完成了CNN二元分类模型的训练。后来创建了两个图表，但由于我对机器学习非常陌生，所以我不了解它们的状态。有人能告诉我我的模型性能好吗。谢谢。
📷
📷
浏览 0提问于2022-10-12得票数 0
2回答
我有一个模型，我训练了100个时代：
然后，我将模型保存起来，并将其训练到另一个100个时代(总共200个时代)：
我的问题是，我的模特是不是太合适了？是最优的吗？
浏览 2提问于2021-01-26得票数 0
回答已采纳
2回答
我想在训练模型的同时将测试集验证功能添加到我的原始代码中。我调用了在训练过程中计算精度的方法，并尝试将测试集输入到模型中。但在运行我根据自己的理解编写的代码后，运行结果表明验证精度大于训练集的精度。我想这可能是我错误地将测试集放入模型中进行训练的一部分。这是现有代码的结果: epochs: 0训练acc: 0.09489036验证acc: 0.125
历元:1列车acc: 0.14082506验证acc: 0.140625
我尝试了很多方法，比如创建两个占位符来保存测试数据集和标签。但我觉得解决这个问题的机会不大。
self.sess = tf.Session()
self.x = tf.
浏览 36提问于2019-11-06得票数 0
2回答
损失曲线过拟合
、、、
📷
我有一个二进制分类任务。我在这里显示了损失曲线。我每15次就将学习率降低1/10。在模型中也有辍学现象。正如你所看到的，我正试图找出模型训练的最佳点。我最初的假设是，这个点出现在28时代附近，因为验证错误几乎保持不变，然后略有增加。然而，我仍然想知道这是好的，还是模型确实过分合适。
另一个让我担心的是，训练曲线和验证曲线非常接近。这是一种预期的行为吗？
作为一个新手，我非常感谢你在这里提供任何帮助。
浏览 0提问于2019-01-09得票数 0
2回答
当我训练一个神经网络时，我观察到越来越多的验证损失，同时也提高了验证的准确性。
我读过与这一现象相关的解释，而且似乎越来越多的验证损失和验证的准确性意味着一个过度拟合的模型。
然而，我并没有真正探究为什么越来越多的验证丢失和验证准确性意味着过度匹配的原因。
你能给出这种现象背后的解释吗？
浏览 0提问于2020-10-01得票数 6
1回答
我正在开发一个具有高度不平衡数据集(0.7%的少数类)的模型。为了纠正这种不平衡，我打算使用不平衡的学习库中的算法进行过度抽样。我有一个工作流程，我想要分享，并获得一个意见，如果我是朝着正确的方向，或者我可能错过了什么。
分离式列车/测试/Val
为GridSearch设置流水线并优化超参数(管道只对训练折叠进行过采样)
评分标准将是AUC，因为训练集在这一点上是平衡的。
由于模型是在平衡数据集上训练的，因此它可能非常保守，并且预测了许多假阳性。
考虑到上述因素，将对模型进行校准，以获得更精确的概率(CalibratedClassifierCV)。
在验证集上查看具有校准概率阈值的精度/召回曲
浏览 0提问于2018-09-21得票数 2
1回答
我是不是太适应了？
、、、、
嗨!我目前正在用黑暗流Yolov2训练我的模型。最优选择是有lr 0.001的SGD。基于这个图表，我的val损失>火车损失，这就意味着它太合适了？如果是的话，建议的行动方针是什么？这似乎很奇怪，因为两种损失都在减少，但val损失较慢。
要了解更多信息，我的训练数据集包含每个类400个图像，只有一个注释，总共有2800个图像。我这样做是为了防止类不平衡，只对每个映像注释一个类实例。我的val数据集由350个图像组成，包含多个注释。基本上，我注释了图像中的每一个对象。我有7节课，我的火车-val-测验分班是80-10-10.这就是瓦尔损失的原因吗？
浏览 8提问于2020-01-07得票数 0
在有监督学习中，原始数据分为三部分:训练数据集、验证数据集和测试数据集。
训练数据集用于训练模型。
测试数据集用于最终评估模型，因此不会在训练过程中使用。
我认为，验证数据集用于在训练时调整模型的参数。
我想知道的是验证数据集是否用于训练。它是用来计算权重和偏差的吗？
浏览 27提问于2020-02-29得票数 1
2回答
我正在努力理解keras模型是如何工作的。 当我们训练模型时，我们给出指标(如“准确性”)和损失函数(如交叉熵)作为参数。我想知道的是模型优化的目标是什么。拟合后，leant模型最大限度地提高了准确性？或者最大限度地减少损失？
浏览 30提问于2020-10-27得票数 0
1回答
我刚开始深造，我想用U-Net做语义切分，我听说其中一种让我的结果更好的策略就是使用交叉验证，而这种方法在深度学习中并不是很流行。
我做了一些研究，以找出如何在我的数据集上实现它，但我找不到可靠的答案。你能帮我实现5倍交叉验证吗？我应该在5倍上训练1型吗？这在我看来是不正确的，因为为什么我不应该只是在整个训练数据集上训练模型呢？或者，我应该在每个折叠上训练5个模型，并对5个输出进行平均推理？这可能有效，但推理时间会非常长。谢谢
浏览 14提问于2022-11-04得票数 0
回答已采纳
我正在试图理解在时代结束时，角化进度栏中所显示的"acc“的准确性是什么：
13/13 ============================== -0 76 0s /步进损失: 0.7100 - acc：0.4615
在一个时代的最后，应该是所有训练样本的模型预测的准确性。然而，当模型在相同的训练样本上进行评估时，实际的精度可能会有很大的不同。
下面是的改编示例。一种简单的顺序神经网络是对随机生成的数字进行二进制分类。批次大小与训练示例(13)的数量相同，因此每个时期只包含一个步骤。由于损失设置为binary_crossentropy，因此精度计算采用中定义的binary_
浏览 0提问于2019-07-11得票数 1
回答已采纳
我正在训练一个模型，使用作者最初的学习速率(我也使用他们的github )，我得到了一个不断振荡的验证损失，它会减少，然后突然跳到一个很大的值，然后再次下降，但从没有真正收敛到它得到的最低值是2(而训练损失收敛到0.0 -远低于1)。
在每一个时代，我得到训练的准确性，在最后，验证的准确性。验证精度总是大于训练精度。
当我测试真实的测试数据时，我得到了很好的结果，但是我不知道我的模型是否太合适了。我预计一个好的模型的val损失会以类似的方式与训练损失相融合，但这是不可能的，而且val损失有时会波动到非常大的值，这让我很担心。
通过调整学习速度和调度器等，我将val损失和训练损失
浏览 0提问于2019-03-26得票数 9
回答已采纳
2回答
我实现了一个模型，其中我使用Logistic回归作为分类器，我想绘制学习曲线为训练和测试集，以决定下一步做什么，以改进我的模型。
为了给你一些信息，为了绘制学习曲线，我定义了一个函数，它采用一个模型，一个预分裂的数据集(训练/测试X和Y数组，NB:使用train_test_split函数)，一个评分函数作为输入，在n个指数间隔的子集上迭代数据集的训练，并返回学习曲线。
我的结果如下图所示
我想知道，为什么训练的准确性开始这么高，然后突然下降，然后又开始上升，随着训练设置的规模增加？反过来说，为了测试的准确性。我认为非常好的准确性和下降是由于一些噪音，因为小数据集在开始，然后当数据集变得更
浏览 5提问于2016-05-02得票数 3
回答已采纳
我目前正在通过使用cifar10图像来训练CNN模型(50000用于培训，另10000用于验证)。
我绘制了训练损失、验证损失和训练迭代的准确性：
📷
我不确定什么时候该停止训练，应该在1250迭代前后停止训练吗？还是应该在迭代5000左右停止，因为我可以获得最大的验证精度？
为什么被覆盖的模型可以有一个更高的验证精度？
浏览 0提问于2019-06-15得票数 5
回答已采纳
2回答
我的学习曲线是否过正？
、、、、
我正致力于多分类任务(总共6个班)，并获得了几乎完美的训练和测试的准确性(超过99%)的基础上，我的训练cnn模型。我想知道，我受过训练的模特是否有过度适应的问题。附件是该模型的损失和准确性的学习曲线。整个训练数据集包含大约30k样本，训练与验证数据的比率为4:1。我的损失曲线是否显示过拟合？
浏览 7提问于2022-10-10得票数 -1
回答已采纳
我正在训练一个多标签分类问题的神经网络，所以我的最后一层由n_classes乙状结肠神经元组成。
现在，我知道，这是不可能的学习任务，因为噪音和缺乏可预测的力量在我的特点。然而，我假设可预测的力量应该足以做出好的预测，至少对一些数据点是这样的。即使这些案例只是少数几个，如果神经网络至少获得了那些肯定(高精度)，并错过了绝大多数，因为他们的困难(低回忆)，我会很高兴。
当然，我可以正常地训练模型，然后设定与我的目标相匹配的门槛，但这并不能让我信服。我想在培训过程中介绍这一目标。如果有些地方很难分类，我希望我的神经网络在训练过程中发现，忘记它们，把注意力集中在其他更可行的案例上。
到目前为止，我唯
浏览 0提问于2020-05-03得票数 1
这可能是个愚蠢的问题，但如果我有一个确定性的过程，例如，一个函数(在数学意义上)，它的计算成本很高，我决定用逻辑回归、人工神经网络或任何类型的机器学习模型来近似它：
是否有几个(随机和连续的)训练实例可以确保我的学习模型“几乎”完美的准确性？如果是，如何计算这个数字？
一般来说，如果过程是确定性的，我能至少期望得到“更好的”模型吗？
在这种情况下，过度适应是个问题吗？我的直觉不知何故拒绝了，但我无法证明。
提前感谢！
浏览 0提问于2023-02-24得票数 0
回答已采纳
2回答
检查过拟合
、、、、
我希望确保我的模型不会过度拟合。我使用交叉验证检查了过拟合。所有折叠的结果都是close.But的，同时我检查了训练和测试预测。测试大小为0.25。而且训练和测试预测是如此不同。这表明我的模型过拟合了。我应该相信哪个结果？交叉验证或测试/训练prediction.Is我的模型过拟合？
注意:我使用的是python。Sklearn用于交叉验证、训练测试拆分和建模
浏览 0提问于2020-03-10得票数 0
这可能是一个愚蠢的问题，但希望有人告诉我是或不是。
假设我在Tensorflow中有一个LSTM网络，并且正在使用Adam Optimizer训练它，通过在训练期间为X和Y变量提供一组X和Y dict来最小化成本函数，然后在同一会话中，为变量提供新的X和Y dict以进行测试，Tensorflow是自动使用在训练期间找到的最佳模型(即使用在训练期间带来最低成本值的权重)，还是仅使用其运行中的最新模型(即最新的时期)？
想知道当达到新的较低成本值时，是否需要设置model.saver函数来捕获最佳模型，关闭当前会话，然后使用保存的模型重新打开一个新模型，或者是否可以假设，当我在与训练相同的会话中
浏览 19提问于2019-11-05得票数 1
回答已采纳
我正在使用Sci Kit学习一个分类问题，并且困惑于如何正确地调优超参数以获得“最佳”模型。
Before任何调整，我的logistic回归分类器对测试集的准确率为74.6%。
为了为我的最终模型选择最优的参数，我用一个参数网格来拟合一个GridSearchCV对象-- to --我的训练数据，其中包含了Sci Kit学习的LogisticRegression分类器的默认参数。
我所拟合的GridSearchCV模型的CV精度为76.5%，表明该模型将比未调优模型具有更高的精度。
When --我在测试集上拟合并评估了调优模型，我的准确率为73%。
这是让我感到困惑的部分。我知道CV的结果应该
浏览 0提问于2023-02-21得票数 0
2回答
我已经将数据集(大约28K图像)划分为75%的训练集和25%的测试集。然后，我随机抽取了15%的培训集和15%的测试集来创建验证集。目标是将图像分为两类。精确的图像样本不能共享。但它和附件中的那个相似。我使用这个模型:带有imagenet权重的VGG19，最后两层，可训练的，以及4个密集的层。我还使用ImageDataGenerator来增强图像。对该模型进行了30个历次的训练，发现训练精度为95%，验证精度为96%，在测试数据集上训练后，仅下降到75%。
我已经尝试了正规化和辍学，以解决过度适应，如果它是痛苦。我还做了一件事，看看如果我使用测试集作为验证集并在同一个测试集上测试模型会发生什么
浏览 3提问于2019-01-16得票数 2
回答已采纳
我有以下代码，用于训练模型并将日志存储在结果变量中
import tqdm.notebook as tq
import sys
num_epochs = 10
results = {"train_loss": [], "val_loss": [], "train_acc": [], "val_acc": []}
for epoch in range(1, num_epochs+1):
sys.stdout.write(f"---Epoch {epoch}/{num_epochs}: ")
epoch_l
浏览 1提问于2021-04-04得票数 0
1回答
我是新的深入学习，并希望了解以下几点。你能帮帮我吗。
，如果我给出100个历元来训练和评价这个模型，它是采用最佳的时代模型还是在100个时代之后选择最终的模型？
历史上的，我看到的是损失和损失。该模型是否只尝试将训练损失最小化，只显示val_loss供我们参考，类似于它显示的度量标准。
如果我使用Keras (RandomSearch)，就有一个目标函数。我感到困惑的是，该模型是试图减少编译期间提供的损失，还是降低调谐器目标中提供的损失。
请你就上述各点作出澄清。
浏览 2提问于2022-08-28得票数 0
2回答
我正在训练一个图像分类模型，我的测试集分布是80-20。
经过训练，我的火车测试损失曲线如下所示
📷
由于该模型是在20-30年代以后收敛的，因此并不过分适合。
我也可以尝试通过合并我的训练和测试集来训练相同的模型，希望它会随着训练数据的增加而变得更精确?
在这种情况下，合并火车、测试集是个好主意吗？
如果我这样做，有甚麽坏处呢？
浏览 0提问于2020-10-18得票数 2
回答已采纳
1回答
交叉验证和训练集
、、
在RapidMiner中，我希望创建一个k-NN模型，以便创建一个分类器。为了生成测试集和训练集，我使用交叉验证。
如果我选择10作为折叠数，则交叉验证算法将对不同的测试集和训练集进行10次迭代。
最后，用什么训练集来建立我的k-NN模型？
浏览 0提问于2018-05-16得票数 0
我实现了一个使用梯度提升决策树作为分类器的模型，并绘制了训练集和测试集的学习曲线，以决定下一步要做什么，以便改进我的模型。结果如图所示：
(Y轴是准确率(正确预测的百分比)，而x轴是我用来训练模型的样本数。)
我理解训练和测试分数之间的差距可能是由于高方差(过度拟合)。但该图像还显示，当样本数量从2000增加到3000时，测试分数(绿线)增加很少。测试分数的曲线变得平坦。即使有更多的样本，模型也不会变得更好。
我的理解是，平坦的学习曲线通常表示高度偏见(欠拟合)。是否有可能在此模型中同时发生过拟合和欠拟合？或者，平坦曲线还有其他解释吗？
任何帮助都将不胜感激。提前谢谢。
========
浏览 1提问于2016-12-12得票数 3
在使用SVM时，我发现对原始数据集执行三向拆分是一种很好的做法，类似于70/15/15的拆分。
这种分割将对应于%70用于培训，%15用于测试，%15对应于所谓的“验证”。
我很清楚为什么这是一个很好的实践，但我不确定实际执行这一操作所需的具体细节。很多在线资源讨论了这个过程的重要性，但是我似乎找不到对这个过程的明确描述(或者至少是算法描述)。例如，sklearn讨论了，但在提供任何可靠的工具之前就停止了。
我的想法是：
使用训练集训练算法
使用测试集查找错误率
?？调整参数
再次获取错误率，使用验证集
如果有人能给我指明一个好资源的方向，我会很感激的。
浏览 1提问于2014-01-26得票数 3
我已经搜索了一段时间，但似乎Keras只有经过训练后才具有量化特性。我希望在我的Keras序列模型中添加Tensorflow伪量化。根据Tensorflow的doc，我需要这两个函数来做假量化: tf.contrib.quantize.create_training_graph()和tf.contrib.quantize.create_eval_graph()。我的问题是，是否有人在Keras模型中添加了这两个函数？如果是，应在哪里增加这两个功能？例如，在model.compile之前，还是在model.fit之后，还是其他地方？提前谢谢。
浏览 2提问于2018-09-17得票数 2
回答已采纳
1回答
我已经训练了一个RNN/LSTM模型。我想解释我的模型结果，在绘制了图表的损失和准确性(b/w培训和验证数据集)。
如果我只向模型提供部分输入，我的目标是对标签进行分类(0或1)。以这种方式我进行了训练。
Train_Validate_Test_Split
Train 80% ; Validate 10 % ; Test 10%
X_train_shape : (243, 100, 5)
Y_train_shape : (243,)
X_validate_shape : (31, 100, 5)
Y_validate_shape : (31,)
X_test_shape : (28, 1
浏览 0提问于2019-07-22得票数 0
回答已采纳
3回答
我正在使用Keras。我正在训练我的神经网络，并使用提前停止。我的耐心是10，验证损失最小的时期是15。我的网络运行到25个时期，然后停止，但如果我理解正确，我的模型是具有25个时期的模型，而不是15
有没有简单的方法可以恢复到15个时期的模型，或者我需要重新实例化模型并运行15个时期？
浏览 11提问于2019-07-05得票数 1
回答已采纳
3回答
我将评估我建立的分类模型。这就是逻辑回归和决策。
我用什么标准来比较？
假设模型选择的标准是ASE。训练数据ASE高，测试数据ASE低，训练数据ASE低，测试数据ASE高。如果您选择一个模型，您会选择哪些模型？
浏览 0提问于2018-06-02得票数 1
回答已采纳
3回答
超参数整定与分类算法的比较
、、、、
对于分类算法的比较，我有一个疑问。
我正在做一个关于数据集的超参数调优和分类模型比较的项目。我们的目标是为我的数据集找出最适合我的超参数的模型。
例如:我有两个分类模型(支持向量机和随机森林)，我的数据集有1000行和10列(9列是特性)，最后一列是可分层的。
首先，我将dataset分为2部分(80-10行)，用于相应的训练(800行)和测试(200行)。在此基础上，利用CV = 10的网格搜索对这2种模型(支持向量机和随机森林模型)上的训练集进行参数整定。当对每个模型识别超参数时，我使用这两个模型的这些超参数在训练和测试集上测试Accuracy_score，以确定哪一个模型对我的数据是最好
浏览 0提问于2020-12-31得票数 0
回答已采纳
我在这里看到一个悖论。如果我们使用训练/测试分割并评估我们的测试数据，我们可能会得到一个很好的分数，但是任何进一步的预测都是不可信的，因为模型没有训练测试数据并将它的序列包含在内存中。
另一方面，我们可以将列车和测试序列上的数据训练为列车数据，但由于没有测试参考，因此无法评估我们的预测。
如何正确预测LSTM模型？
浏览 0提问于2018-05-05得票数 1
我正试图通过微调一个VGG16网络(在ImageNet上进行预先培训)来进行传输学习，以便对一个小得多的数据集(11000幅图像，200个类)进行图像分类。实际上，我只训练修改后的VGG16网络的最后3个FC层。我在3个FC层中的两个增加了辍学，概率为0.5。
所以，当我在这个网络上训练时，我不会做任何花哨的预处理，只会用原始作者给出的VGG_MEAN值减去图像中的每个通道。
所以问题是，培训似乎进行得很好，损失大幅下降，并稳定在某一值附近，在特定数量的批次培训之后，我正在监控网络在验证集(20%的数据)上的预测精度。我注意到，平均验证的准确性并没有显示出任何改善的趋势--而且在整个培训过程中
浏览 4提问于2016-11-09得票数 0
回答已采纳
2回答
我需要一个模型来预测一个类。所以我应该把我的数据分成训练集、验证集和测试集。首先，我打乱了我的数据(80%用于训练集，20%用于测试集)。然后，因为我应该确定一些超参数，所以我使用10折交叉验证来拆分我的训练集。最后，我使用训练集(80%的数据)和指定的超参数来训练我的模型。我有个问题。我先打乱我的数据，然后再拆分，这是不是错了？一些研究人员认为，如果你想声称你的模型可以预测未来的数据，你不应该对数据进行混洗。您应该选择最后20%的数据作为测试集。是对的吗？我可以对我的数据进行混洗吗？你能给我介绍一本学术书籍或论文来解决我的问题吗？非常感谢
浏览 0提问于2018-04-30得票数 4
1回答
我试图训练一个LSTM网络，超过200个时代，隐藏层的大小为100和1密集层后的LSTM层。同样的，我也用了10个批次。基本上，我感到困惑的是，为什么我得到的损失曲线(以MAE作为损失标准和)看起来与一般的好模型非常不同。我相信可能的原因，可能是因为训练所涉及的时间比理想的多，而且是不适合或过适应的，但我不知道如何认识相同的情况。
模型的损失曲线是
📷
我想确定这个模型是过度拟合的还是低端的，如果我需要减少训练时间(比如说从200减少到20?).Being是新的，是否有任何具体的点来确定什么时候停止训练过程(例如基于这个损失曲线)。在这方面的任何帮助都将受到赞赏。
浏览 0提问于2019-03-26得票数 4
我的神经网络在火把上的训练越来越快了。
我正在训练一个已知的数据集，该数据集分裂成训练和验证。我在训练期间整理数据，并在飞行中进行数据增强。
我有这些结果：
训练精度从80%开始并提高
列车损耗减少并保持稳定
验证精度从30%开始，但增长缓慢
验证损失增加
我要展示以下图表：
如何解释验证损失增加，验证精度increases?How在验证集和训练集之间有如此大的差异? 90%和40%?。
更新：
我平衡了数据集。这是二进制分类。现在它有1700个来自1级的例子，1200个来自2级的例子，总共有600个用于验证，2300个用于培训。我仍然看到类似的行为：
浏览 4提问于2020-04-21得票数 0
回答已采纳
在我训练了一个模型之后，我如何在C++中使用它？
我已经尝试过MXNet incubator-mxnet/example/image-classification/predict-cpp/和incubator-mxnet/cpp-package/example/。
浏览 0提问于2017-11-15得票数 1
2回答
列车与试验误差的关系
、、、、
我有一些特别的问题，我无法从书本中得到答案。因此，我在这里寻求帮助，如果可能的话，我将非常感谢一个直观的解释。
一般来说，神经网络有一个偏差/方差权衡，因此我们需要一个正则化。偏高->欠拟合；方差高-过拟合。
为了解决过拟合问题，我们采用正则化方法对权值进行对比。这是一个超参数，并应在培训期间学习，根据我的理解使用交叉验证。因此，数据集被分割成一个训练、验证和测试集。测试集是独立的，在学习过程中模型是看不到的，但是我们有可用的标签。基于该测试集，我们通常会报告假阳性、混淆矩阵、错误分类等统计数据。
( Q1)这种偏差/方差问题是否也出现在其他算法中，如支持向量机、最小方差分析等？
在卷积
浏览 0提问于2018-10-04得票数 0
回答已采纳
我有模型建筑。我使用torch.save()保存了整个模型，进行了一些n次迭代。我想通过使用我之前保存的模型的预先训练的权重来运行我的代码的另一个迭代。
编辑：我希望新迭代的权值初始化是根据预先训练过的模型的权重来完成的。
编辑2:只是补充一下，我不打算继续训练。我打算保存模型并使用它单独进行相同参数的培训。想想看，就像为更大的运行和更多的样本使用带有权重的保存模型一样(即一项全新的培训工作)。
现在，我做的事情是：
# default_lr = 5
# default_weight_decay = 0.001
# model_io = the pretrained model
model
浏览 1提问于2020-06-02得票数 1
回答已采纳
3回答
我很抱歉，因为我的问题可能听起来很愚蠢。但我在深度学习和咖啡因方面还是个新手。我们如何检测需要多少次迭代才能对我们自己的数据集上的预训练进行微调？例如，我使用5个类对我自己的数据运行fcn32。我什么时候可以通过观察训练阶段的损失和准确性来停止微调过程？
非常感谢
浏览 66提问于2017-01-15得票数 1
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
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
