我正在训练一个用于人脸识别的深度学习模型，针对两个人脸。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。然而，验证损失持续增加，而验证准确率为0.5000并保持不变。
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
我正在用经过训练的Word2Vec训练LSTM模型，经过3个时期后，我开始观察到我的训练损失开始增加，而验证损失仍然在减少。精确度也是如此。训练准确率开始下降，而验证准确率不断提高。我的学习率是默认设置的0.001，当训练损失开始<
浏览 10提问于2021-01-08得票数 1
通过数据集进行近24个历次的训练和验证，一次间歇地训练和验证8个周期，并在每个间隔之后累计保存权重。我观察到一个持续下降的列车&测试损失在前16个时期，测试损失持续下降，而测试损失上升，所以我认为这是过度拟合的情况。为此，我试着恢复训练，在经历了16个时期后，随着超参数的变化，我尝试恢复训练，说，<em
浏览 0提问于2018-05-16得票数 1
1回答
我正在训练一个speech to text模型。在第一个时期，WER为0.33，第二个时期的WER仍然相同，但是训练损失增加了，而验证损失减少了。
浏览 5提问于2020-04-25得票数 1
2回答
这是一个过载的网络吗？
、、、、
我在keras中训练了一个神经网络，得到了这个结果，我想知道这是否太合适了。但在这种情况下，它并没有增加。它保持不变，但训练损失减少。额外信息
2000时代训练</e
浏览 5提问于2017-04-03得票数 2
3回答
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
2回答
我有一个8层的完全连接的神经网络，它的训练提供了以下准确性和损失级数：
在模型开始过度拟合之前，你认为最好的时期是什么？橙色的那个？(时代#84 -停滞前的最低损失)
或者是另一个观点？
浏览 0提问于2019-05-06得票数 1
这篇文章更多的是要求咨询而不是要求解决问题。我知道keras、回调、提前弯腰和模型检查点可以防止过拟合。当我在restore_best_weights=True中使用早期的弯腰时，由于耐心较小，我有时会错过最好的模型，而当我在save_best_only =True中使用检查点回调时，我需要做很多时期。因此，我认为也许我会以更大的耐心使用提前停止，但我的问题是，在一些时期之后，我的验证损失是非常Z字形的(即，这意味着它变得越来越小，没
浏览 3提问于2020-09-01得票数 0
1回答
在开始部署之前，我想确保模型做得很好。📷
我以前问过，但我谁也回答不了，所以我又用一个新的帐户提出了我的问题
浏览 0提问于2023-01-18得票数 0
在每个时期的末尾，我得到了例如以下输出：2018-08-06 14:54:12.555511:
2/2 [==============================] - 86s谁能给我解释一下损失、准确度、验证损失和验证准确度之间的区别？
浏览 0提问于2018-08-06得票数 18
回答已采纳
2回答
时间序列数据的趋势
、、、
为此，我在某个时间点将我的数据划分为训练数据和验证数据。时间序列数据具有积极的趋势，因此我的训练数据中的平均值低于我的验证数据中的平均值，因为我使用较新的数据作为验证。在下一个时期，模型将通过训练数据学习，预测值的平均值将低于0.5，这将减少训练损失，但会增加验证损失。只有在经历了许多时期之后，我才会看到<em
浏览 30提问于2021-04-21得票数 0
回答已采纳
2回答
我正在训练一个神经网络，并得到关于损失和验证损失的结果：
这些是200个时期，批量大小为16,500个训练样本和200个验证样本。正如你所看到的，在大约20个时期之后，验证损失开始做一个非常夸张的Z字形。我试图增加验证样本的数量，但这只会增加之字形，并使其更加夸张。此外，我向优化
浏览 0提问于2019-07-29得票数 1
"save_weights”训练后模型 但是当使用"load_weights“和"predict”加载训练模型时，这两种方法的性能是不同的。我的代码如下 训练和保存模型 model_checkpoint = ModelCheckpoint("Model_weights.hdf5", verbose=1, save_best_only=Truecallbacks=[csv_logger, early_stopping, model_checkpoint])
Model.sa
浏览 63提问于2020-06-15得票数 1
回答已采纳
我正在Keras中训练一个卷积神经网络，后端使用Tensorflow。要做到这一点，我想做100轮，最多12个周期每轮。Keras有这样的选择吗？在他们的文档中
浏览 0提问于2018-08-07得票数 0
回答已采纳
steps_per_epoch=350, validation_data = validation_generator, validation_steps = 100, callbacks = cb_list) 一些背景信息:我选择添加辍学层，以帮助减少任何情况的过度拟合。图像存储在18个不同的类中。大约有11000张训练图像和2800张<e
浏览 3提问于2021-06-03得票数 0
回答已采纳
1回答
一种分类算法的学习曲线
、、、
非常低的训练损失，这是非常轻微的增加增加的训练例子。不匹配模型的学习曲线在一开始就有较低的训练损失，随着训练样本的增加而逐渐增
浏览 0提问于2022-01-12得票数 2
3回答
我一直在训练基于双向LSTM的RNN进行语音识别，当一个新的上下文到达时，网络似乎就会忘记旧的上下文。不过，我不知道如何解释它的行为；网络似乎过于适合，以至于它一次只记得一个具体案例。指向代码的链接是及其在中的输出。
在理解其输出模式方面需要一些帮助。
浏览 2提问于2017-03-31得票数 2
回答已采纳
1回答
在神经网络中，正则化(如L2、退出)通常被用来减少过度拟合。例如，下面的情节显示了典型的损失相对于时代，有和没有辍学。实线=列车，虚线=验证，蓝色=基线(无辍学)，橙色=与辍学。正则化延迟了验证损失开始增加的时代，但正则化显然没有降低验证损失的最小值(至少在我的模型和教程中是如此)。如果我们在验证损失最小时使用早期停止训练(以避
浏览 0提问于2019-09-11得票数 1
回答已采纳
加载保存的权重并将所有层的可训练标记设置为false后，我尝试拟合模型，并期望看到一切稳定。但验证损失随着每个时期的增加而增加(和准确率下降)，而训练损失和准确率确实如预期的那样稳定。
浏览 1提问于2016-12-19得票数 1
1回答
训练损失在多个时期减少，验证损失很容易收敛。
显然，这是训练/开发误差之间的方差问题。为了解决这个问题，我知道添加更多的数据是最简单的解决方案。但由于我的笔记本电脑没有足够的内存来在单个进程中保存两倍的数据量，所以我决定加载第二组数据(来自相同的分布)，并使用迁移学习来重新训练从400个时期获得上述结果的模型。这些是在运行该进程大约100多个时期后的结果
浏览 1提问于2017-10-21得票数 1
云服务器
ICP备案
对象存储
实时音视频
云直播
腾讯云开发者
