3回答
但我被告知，这是一个非常大的数字将用于划时代，这将影响网络的性能。
我的问题是:是否有数量有限的时代，我不应该超过，请注意，我有2000张培训图像和800张验证图像。
浏览 4提问于2019-06-26得票数 2
3回答
当我阅读如何在中构建ANN时，他们说：
trainer.trainEpochs( 1)
我找出了这意味着什么，然后我得出结论，我们使用一个数据时代来更新权重，如果我选择用5个历次训练数据作为pybrain的建议，数据集将被划分为5个子集，而这些数据集将更新5倍于最大值。我熟悉在线培训，在每个样本数据或特征向量之后更新雨刷，我的问题是如何确保5个时点足以建立模型并设定权重？这种方式在在线培训
浏览 1提问于2015-07-01得票数 55
回答已采纳
为什么-损失: 0.2105 -准确性: 0.9500 - val_loss: 0.5264 - val_accuracy: 0.9100accuracy:0.700是用CustomCallback打印的？1： checkpoint_callback(start_time),model.fit(train_ds, epochs=40,
浏览 2提问于2021-07-16得票数 0
另外，如果我有500 num_epochs，那么每个时代都有1000步长。在文章中，它指出，“注意，每批只处理这里的一个图像。”
浏览 19提问于2019-11-27得票数 1
回答已采纳
我开发了一个简单的自动编码器，为了找到正确的参数，我在一小部分数据集上使用网格搜索。输出中的历元数可以用在高维训练集上？历元数取决于数据集的维数？还是不想？例如，我在一个大维度的数据集中有更多的历元，而对于一个小的数据集，有更少的历元。
浏览 1提问于2019-06-21得票数 0
回答已采纳
1回答
编辑:我知道扩大验证数据的大小会增加每个时代的总时间。但在我的情况下，它增加了3倍的总时间成本！这就是问题所在。Train Data : shape-(3000, 227, 227, 1) type--float32 )
以200幅图像为验证集，
浏览 0提问于2020-07-04得票数 0
1回答
我有2014年coco数据集，需要对其进行培训，因为培训大约是82700次，测试是40500次。然而，每次使用model.pedict()时，我都会得到相同的句子，具有不同的值，因为我只使用了一个时代。现在，我怎样才能确定正确的年代数？我正在尝试20个时代，但没有批量大小。是那么回事吗？
浏览 0提问于2021-07-16得票数 0
1回答
训练过程中验证精度突然下降
、、、、
当我训练我的神经网络时，在第8世纪，验证精度突然下降，这意味着什么？
Train for 281 steps, validate for 24 steps Epoch 1/10 281/281 [==============================] - 106s 378ms/step - loss: 1.5758 - accuracy: 0.8089 - val_loss: 1.8909 - val_accuracy: 0.4766 Epoch 2/10 281/281 [==============================] - 99s 353ms/step - loss:
浏览 5提问于2020-03-15得票数 3
回答已采纳
我知道有一个类似的问题"“，但我的问题更具体，我想知道如何计算一个时代内每批的损失和acc输出？
Epoch x/20:54320/55200 [============================>.] - ETA: 0s - loss: 1.2083
浏览 3提问于2018-04-27得票数 1
然而，我的互联网下降，当加载我的最后一个检查点和重新开始训练从上一季(使用initial_epoch)，准确性从89.1 (加载模型值)下降到83.6在第一季的新培训。在恢复(重新启动)培训时，这是正常行为吗？因为当我的网络崩溃的时候，它已经进入了第30季，而且精确度也没有下降，也没有明显的改善，因此没有产生任何新的检查点，迫使我回到几个时代。
提前谢谢你的帮助。
浏览 6提问于2019-11-04得票数 0
回答已采纳
2回答
我正在用TensorFlow (使用)对生成的数据进行神经网络训练。据我所知，每个时代我们都使用所有的训练数据。由于我可以控制我有多少个例子，似乎最好只是生成更多的培训数据，直到一个时代足以训练网络。
所以我的问题是:假设我有足够的训练数据，只使用一个时代有什么坏处吗？我是否正确地假设百万个例子中的一个时代比10万的10个时代要好呢？
浏览 4提问于2016-06-23得票数 9
回答已采纳
我在在线文章/教程或上看到了一些评论，这些评论表明，越来越多的时代会导致过度适应。但我的直觉告诉我，时代的数量和过度拟合之间不应该有直接的关系。要进行过度匹配，您需要在模型中有足够的自由参数(我认为这在神经网络中称为“容量”)来生成一个可以复制样本数据点的函数。如果您没有足够的自由参数，您将永远不会过分适合。你可能只是身体不太好。所以，真的，如果你没有太多的自由参数，你可以运行无限的时代，永远不过分。如果你有太多的自由参数，那么是的，你拥有的时间越多，你就越有可能到达一个你过度适应的地方。但这只是因为运行更多的<
浏览 5提问于2019-12-28得票数 2
回答已采纳
1回答
验证损失仅在第一个时期为零。
、、、、
这个问题在第一个时代之后就消失了。虽然这并不能阻止我创建模型，但我仍然无法解释为什么会发生这种情况，我可能会做些什么。
浏览 3提问于2019-12-02得票数 4
我有一个模型，我想训练10个时代，为一个特定的超参数设置。培训结束后，我将使用history.history对象并找到验证损失最小的时期。一旦我有了这个最好的得分时代，我想检索这个模型，并使用它来预测测试数据。现在，想象一下我最好的得分时代不是最后一个。我想，如果没有，我将不得不创建一本字典，并暂时存储每一个时代的模式，直到完成培训和找到最好的。但是，在使用model.fit时，没有任何选项可以存储每个时代的每个型号。你会怎么做？
浏览 4提问于2022-02-18得票数 0
回答已采纳
在使用Python的Keras库时，我们在训练模型时使用验证数据和培训数据。在每一个时代，我们得到一个验证的准确性。这种验证的准确性对下一个时代的训练有什么影响吗？
浏览 0提问于2021-08-04得票数 1
回答已采纳
1回答
用相同的数据集重新训练保存的模型
、、、、
我想知道，如果我重新训练我保存的模型，我运行了4个时代，如果相同的图像设置在10个时代，会更快吗？
我的数据集包括2个训练和验证文件夹，5个类，3000次培训和1000个验证图像。
浏览 3提问于2019-12-22得票数 0
下面是一个让我的问题更清楚的例子:假设我们有6400张图像，用于培训，以识别4个课程。因为我们有6400幅图像，一个完整的时代需要100次迭代。因此，这项训练在80个时代结束。现在，假设我们有12800张图像。在这种情况下，一个时代需要200个迭代。因此，训练在40年代结束。由于一个时代指的是通过整个训练数据集的一个周期，我想知道为什么我们不增加当数据集增加时的迭代次数，以保持历次不变。
换句话说，我要求一个简单的解释，为什么时代的数量似乎与培
浏览 3提问于2020-05-07得票数 3
当我运行了15个时代的代码时，测试的准确率约为30%。当我跑了100个时代时，测试的准确度达到了39%左右。我正在使用Text8数据集进行培训和问题-Words.txt进行评估。我需要跑更多的时代吗？我应该使用不同的数据集吗？如何提高测试的准确性？
浏览 2提问于2017-10-20得票数 7
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
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
