Machine learning CNN精度与损耗选择

我使用Adam optimizer构建了两个CNN分类器。其中一个我申请了辍学（.05），第二个没有辍学。我得到了以下每种情况的准确度和损失值，哪一个表现更好？我注意到这两种方法都有相当的准确度，但是带有辍学的分类器有更好的和更少的波动损失结果

下面，第一张图片是启用了dropout（0.5）的分类器，第二张图片没有启用dropout

---

您添加的辍学缓解了过度拟合的影响；本质上，这就是为什么损失图不像在没有退出/添加任何其他正则化的情况下那样振荡的原因

即使验证集的准确度在模型没有丢失/正则化的情况下可能会稍微好一些（大1-2%），您也应该期望第二个模型（包括丢失）在看不见的数据（测试集）上表现更好

应选择辍学模式；此外，您还可以尝试使用不同的退出阈值来检查性能。此外，最好有一个测试集来快速验证您的任何假设

---

请注意，您将验证集用作测试集，但它们有不同的用途。您实际显示的是培训验证损失/准确度，而不是培训测试损失/准确度。

谢谢。我正在部署验证集以选择bes参数，一旦选择了最佳模型，我将应用测试集。我认为准确度和损失之间的关系是相反的，但即使损失增加，准确度在不同时期也不会下降。我的理解正确吗？一般来说，准确度随着损失的减少而增加，但这不是一个确定的东西/引理；您可以在不降低精度的情况下增加损失。