PROSAGA码农传奇-测试训练-训练精度增加，测试精度稳定

<div class =“post-text”itemprop =“text”>
  
    这是非常期待的。
    的
      这个问题被称为过度拟合
    </强>
    。这是当你的模型开始“记忆”训练样例而不实际学习对测试集有用的任何东西时。事实上，这正是我们首先使用测试集的原因。因为如果我们有足够复杂的模型，我们总能完美地拟合数据，即使没有意义。测试集告诉我们模型实际学到了什么。
  
  
    它也很有用
    的
      验证集
    </强>
     这就像一个测试集，但你用它来找出何时停止训练。当验证错误停止降低时，您停止训练。
    的
      为什么不为此使用测试装置？
    </强>
     测试集将了解您的模型在现实世界中的表现。如果您开始使用测试集中的信息来选择有关您的培训过程的信息，那么就像您的作弊一样，您的测试错误将不再代表您的真实世界错误。
  
  
    最后，
    的
      卷积神经网络以其过度拟合的能力而臭名昭着
    </强>
    。已经证明，即使你对标签进行随机播放，Conv-nets也可以获得零训练错误
    
      随机像素
    
    。这意味着Conv-net不必有真正的模式来学习代表它。这意味着
    的
      你必须规范一个转发网络
    </强>
    。也就是说，你必须使用像
    的
      退出
    </强>
    ，
    的
      批量标准化
    </强>
    ，
    的
      提早停止
    </强>
    。
  
  
    如果你想了解更多，我会留下一些链接：
  
  
    过度拟合，验证，提前停止

<a href="https://elitedatascience.com/overfitting-in-machine-learning" rel="nofollow noreferrer">
      https://elitedatascience.com/overfitting-in-machine-learning
    </A>
  
  
    Conv-nets适合随机标签：

<a href="https://arxiv.org/pdf/1611.03530.pdf" rel="nofollow noreferrer">
      https://arxiv.org/pdf/1611.03530.pdf
    </A>
    
（这篇论文有点先进，但它可以轻松浏览）
  
  
    附：要真正提高测试精度，您需要通过数据扩充来更改模型或训练。您可能也想尝试转学习。
  
</DIV>