Fatal编程技术网
  • deep-learning/
  • Deep learning 在同一回路中进行培训和测试时的验证精度

Deep learning 在同一回路中进行培训和测试时的验证精度

deep-learning pytorch

Deep learning 在同一回路中进行培训和测试时的验证精度,deep-learning,pytorch,Deep Learning,Pytorch,由于我在同一个循环中进行训练和测试（对于训练集上的每个历元，网络应用于整个验证集） 现在，我在某个时刻（第n个纪元）得到的最高验证精度是我的网络的最高精度，还是我应该只在图表稳定且权重不变时使用验证精度？我想你把测试与验证混淆了。如果可能，您应该为数据集保留一个单独的测试集，以便仅在培训和验证完成后进行测试 尽管您可以使用该测试集进行验证，但最好的做法是对模型以前从未见过的一组单独的数据进行推断 因此，在回答您的问题时，如果您的验证准确度出现峰值，那么它可以是最高的，也不可能是最高的，因为纪元数

由于我在同一个循环中进行训练和测试（对于
训练集
上的每个历元，网络应用于整个
验证集
）

现在，我在某个时刻（第n个纪元）得到的最高验证精度是我的网络的最高精度，还是我应该只在图表稳定且权重不变时使用验证精度？我想你把
测试
与
验证
混淆了。如果可能，您应该为数据集保留一个单独的测试集，以便仅在培训和验证完成后进行测试

尽管您可以使用该测试集进行验证，但最好的做法是对模型以前从未见过的一组单独的数据进行推断

因此，在回答您的问题时，如果您的验证准确度出现峰值，那么它可以是最高的，也不可能是最高的，因为纪元数越多，获得更高准确度的可能性就越大（假设模型没有过度拟合数据集）

在这种情况下，最好在每次验证精度峰值后保存模型，以便在培训和验证完成后使用最高验证精度创建最佳模型