我已经将dropout设置为每个中间层。现在我观察到训练精度比测试精度低10%左右。我的问题：
我的理解正确吗？换句话说，如果去掉dropout部分，训练精度会提高，但测试<
浏览 0提问于2020-12-23得票数 0
回答已采纳
我正在使用预训练的tensorflow inception v3模型和迁移学习在我拥有的新图像训练集上进行一些图像分类。我按照这里列出的说明操作：
然而，我得到了一些严重的过度拟合(训练精度在90多秒，但CV/测试精度在50多秒)。除了做一些图像增强来尝试增加我的训练样本大小之外，我想知道在重新训练阶段做一些dropout是否会有帮助。我使用这个文件(随tensorflow</e
浏览 0提问于2016-06-03得票数 4
1回答
我正在使用TensorFlow来实现对象识别。我遵循本教程，但使用我自己的数据集。我想知道是什么使考试的精度比训练的精度高，我的数据集是不是不够大？数据不显示任何统计意义？或者这是一件普通的事情，因为我看到一些人说<e
浏览 2提问于2016-06-01得票数 0
在Python中实现了人工神经网络模型，训练精度高，测试精度低。这意味着数据中存在一些过度拟合。def designANN(input_nodes, dropout, layer_nodes, output_nodes):
classifier = Sequentialkernel_initializer = "uniform&quo
浏览 2提问于2020-06-04得票数 1
回答已采纳
3回答
我正在使用tensorflow训练一个convnet，该convnet具有一组22个类的15000个训练图像。我有2个转换层和一个完全连接的层。我已经用15000张图像训练了网络，并在训练集上体验到了收敛和高精度。
然而，我的测试集的准确性要低得多，所以我假设网络是过度拟合的。为了解决这个问题，我在网络的完全连接层之前添加了dropout。然而，添加dropout导致网络在多次迭代后永远不会收敛。我
浏览 0提问于2016-07-31得票数 7
1回答
添加正则化会带来更慢更差的性能
、、、、
当我添加了更强的正则化(例如，L2正则化参数从1到10，或者dropout参数从0.75到0.5)，它给我带来了更慢和更差的性能(例如，3000-4000次迭代中97-98%的测试精度到3000-4000次迭代中只有94-95%的测试精度)。我可以确认一切都是正确实现的。谢谢!
编辑:我只想指出我的程序存在过拟合(大约1%)，而且似乎在有和没有dropout的情况下，训练和测试<e
浏览 6提问于2017-08-14得票数 0
回答已采纳
2回答
我正在使用一个在线工具来计算MFCC系数(例如，脉冲)(所以我不能提供代码)，然后我正在训练一个神经网络。数据集被分割：
训练精度= 100 %/验证精度= 30 %我上一次发布的神经网络的最终性能如下：
浏览 5提问于2020-04-15得票数 0
1回答
CNN准确率与损失选择
、、、、
其中一个我应用了dropout (.05)，第二个没有dropout。我得到了每种情况下的精确度和损失值，哪一种表现更好？我注意到这两个分类器都有相当的准确率，但带有dropout的分类器有更好的和更少的波动损失结果。
浏览 16提问于2020-02-21得票数 1
回答已采纳
1回答
同时使用批发量和辍学率？
、、、
我对术语"Dropout“和"BatchNorm”之间的关系有点困惑。据我所知，我们应该只在训练过程中使用BatchNorm吗？为什么？
我们能同时使用Dropout
浏览 0提问于2021-06-03得票数 1
回答已采纳
我有一个tensorflow训练模型，并在tensorflow测试，精度达到95%。我该从哪里看这个精度下降的地方？唯一的区别是我在TensorRT中进行批处理推理，而不是
浏览 6提问于2020-09-11得票数 0
回答已采纳
1回答
我正试着微调一个伯特预先训练的模特。我正在处理来自yelp_polarity_reviews的tensorflow_datasets数据。我已确保：
在保证上述所有内
浏览 3提问于2021-07-04得票数 0
回答已采纳
2回答
我想训练不同的机器学习算法(支持向量机，随机森林，CNN等)。对于相同的数据集(例如，MNIST)，然后比较它们的准确性。目标是从哪种训练数据大小中找出哪种方法比其他方法更好。为了做到这一点，我不断地减少原始训练数据集( 60000个样本)，并在这些减少的训练数据集上训练模型。如果我使用原始的MNIST测试数据集(10000个样本)来确定精度，我当然会得到过度拟合，例如，当训练数据集为1000个样本时，我获得了95%的训练精度
浏览 0提问于2019-04-28得票数 0
2回答
我正在尝试用mnist数据集训练一个简单的神经网络。由于某种原因，当我获得历史(从model.fit返回的参数)时，验证精度高于训练精度，这真的很奇怪，但如果我在评估模型时检查分数，我会获得比测试精度更高的训练精度。请帮帮我!我做错了什么？为什么验证准
浏览 1提问于2017-07-17得票数 16
回答已采纳
1回答
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<em
浏览 24提问于2019-01-08得票数 1
回答已采纳
我试着在训练我的模型时诊断是什么导致了低精度。在这一点上，我只是想能够获得高精度的训练(我可以担心测试的准确性/过度拟合的问题以后)。如何调整模型以提高训练精度？#PARAMSactivation_function = 'relu'verbose_levelC
浏览 3提问于2017-07-27得票数 5
回答已采纳
2回答
我训练了一个CNN (关于tensorflow)，以便使用MNIST数据集进行数字识别。测试集的准确性接近98%。我对我写的图像做了什么？为什么我在我的数据集上得到如此低的精确度，而在测试集上却是如此的高精度？编辑：
浏览 4提问于2016-11-16得票数 2
回答已采纳
1回答
我使用sigmoid作为输出激活函数，binary_crossentropy作为损失函数，训练了一个多标签多类图像分类器。验证的精度曲线显示上下波动，而少数时期的损失曲线显示奇怪(非常高)的值。以下是使用Dropout和BatchNormalization微调(最后一个块) VGG19模型的精度和损失曲线。使用Dropout、BatchNormalization和Data Augmentation微调(最后一个块) VGG19模型的精度</em
浏览 1提问于2020-02-10得票数 0
我得到了非常不一致的测试精度从我的模型，但不知道为什么。
我试图对一些TensorFlow/Keras的东西进行基准测试，发现我的结果是不可靠的。不是时间，而是模型的测试精度。在某些情况下，模型的测试精度为0.65，有时只达到0.35。相同的架构，相同的优化器，在相同的数据集上训练，相同的一切。我试图消除大多数随机性来源，例如使用相同的numpy rng种子、TensorFlow rng种
浏览 23提问于2022-05-31得票数 2
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
腾讯会议
云直播活动推荐
腾讯云开发者
