Deep learning 为了比较不同的CNN,它们是否应该在同一数据集上进行训练?
我是机器学习新手,所以我想知道两件事。第一,比较CNN时要使用哪些参数。Deep learning 为了比较不同的CNN,它们是否应该在同一数据集上进行训练?,deep-learning,conv-neural-network,Deep Learning,Conv Neural Network,我是机器学习新手,所以我想知道两件事。第一,比较CNN时要使用哪些参数。 其次,它们是否应该在相同的数据集上进行训练?如果您在任何模型/架构之间进行比较,它们应该具有相同的条件,例如训练设置,数据集,参数,优化器,权重初始化,等等。如果存在任何不匹配,结果可能有偏差。下面是一些场景,比较结果会产生误导 若数据集具有不同的分布,那个么模型将具有不同的行为和表示。例如,在SVHN和MNIST数据集中,两者都用于数字分类。但它们的性质完全不同 如果一个模型在大型数据集上进行训练(相同类型,比如说ima
其次,它们是否应该在相同的数据集上进行训练?如果您在任何模型/架构之间进行比较,它们应该具有相同的条件,例如
训练设置
,数据集
,参数
,优化器
,权重初始化
,等等。如果存在任何不匹配,结果可能有偏差。下面是一些场景,比较结果会产生误导
分布
,那个么模型将具有不同的行为和表示。例如,在SVHN和MNIST数据集中,两者都用于数字分类。但它们的性质完全不同imagenet
vsmini-imagenet
),那么一个模型将比另一个模型学习更好的表示和泛化质量
(分辨率)方面是好的,那么它将有助于提取更好的特征李>
优化
过程,高度依赖于培训设置(参数)总之,对于任何类型的比较(为了获得公平的结果),应在相同的条件下对其进行评估它们肯定应在与CNN相同的数据集上通过学习像素进行训练。如果数据集更改,像素值将更改,因此没有具体的标识符来评估模型。您也可以参考任何架构文件,如resnet,其中显示了评估模型的确切方法。比较的目的是什么?如何实现两个不同的CNN?你用什么样的数据来训练和测试他们?我正在创建emorion识别。Fer2013数据集。一个模型iz迷你_例外,另一个是基于keras站点od cifar10的简单cnn模型