我知道 dropout 用于减少网络中的过度拟合。这是一种泛化技术。
在卷积神经网络中如何识别过拟合？
我能想到的一种情况是，与测试或验证的准确性相比，我的训练准确性太高了。在这种情况下，模型会试图过度拟合训练样本，而对测试样本表现不佳。
这是指示是否应用 dropout 还是应该将 dropout 盲目添加到模型中的唯一方法，希望它能提高测试或验证的准确性
如何识别卷积神经网络中的过拟合？
机器算法验证
机器学习
过拟合
卷积神经网络
辍学
2022-03-11 02:22:54
1个回答
在卷积神经网络中如何识别过拟合？
比较训练的性能（例如准确性）与测试或验证的性能是唯一的方法（这是过度训练的定义）。
是否应该盲目地将 dropout 添加到模型中，希望它能提高测试或验证的准确性？
辍学通常会有所帮助，但最佳辍学率取决于数据集和模型。Dropout 也可以应用于网络中的不同层。来自Optimizing Neural Network Hyperparameters with Gaussian Processes for Dialog Act Classification 的示例，IEEE SLT 2016。：
您可能还想提前停止：
其它你可能感兴趣的问题