Fatal编程技术网
  • tensorflow/
  • Tensorflow 辍学和数据.model.fit中的拆分

Tensorflow 辍学和数据.model.fit中的拆分

tensorflow deep-learning keras

Tensorflow 辍学和数据.model.fit中的拆分,tensorflow,deep-learning,keras,dropout,Tensorflow,Deep Learning,Keras,Dropout,正如我们所知，辍学是一种帮助控制过度适应的机制。在Keras的培训过程中，我们可以通过监控验证损失进行在线交叉验证，并在model.fit中设置数据拆分 通常，我需要使用这两种机制吗？或者，如果我在model.fit中设置了数据拆分，则我不需要使用dropout。dropout是一种正则化技术，即它可以防止网络在数据上快速过度拟合。验证丢失只是指示网络何时过度安装。这是两件完全不同的事情，当您的模型过度拟合时，丢失验证并没有帮助您，它只是向您表明它是过度拟合的 我想说的是，在培训过程中，验证丢失

正如我们所知，辍学是一种帮助控制过度适应的机制。在Keras的培训过程中，我们可以通过监控验证损失进行在线交叉验证，并在
model.fit
中设置数据拆分

通常，我需要使用这两种机制吗？或者，如果我在
model.fit
中设置了数据拆分，则我不需要使用dropout。

dropout是一种正则化技术，即它可以防止网络在数据上快速过度拟合。验证丢失只是指示网络何时过度安装。这是两件完全不同的事情，当您的模型过度拟合时，丢失验证并没有帮助您，它只是向您表明它是过度拟合的

我想说的是，在培训过程中，验证丢失是非常有价值的信息，你不应该没有它。您是否需要正则化技术，如噪波、丢失或批量标准化，取决于网络的学习方式。如果您看到它过度拟合，那么您应该尝试使用正则化技术