Validation Tensorflow：验证集如何改善学习曲线

在的教程中，数据集被分为三个不同的集合：（1）data_sets.train，（2）data_sets.validation和（3）data_sets.test。但是，在训练循环中，仅使用数据集。train用于训练

# Start the training loop.
for step in xrange(FLAGS.max_steps):
  start_time = time.time()

  # Fill a feed dictionary with the actual set of images and labels
  # for this particular training step.
  feed_dict = fill_feed_dict(data_sets.train,
                             images_placeholder,
                             labels_placeholder)

每个

（步骤+1）%1000==0或（步骤+1）==FLAGS.max_steps

对模型进行评估，从而得到三种不同的评估：（1）训练数据评估，（2）验证数据评估和（3）测试数据评估

通常，在机器学习中，验证集用于微调模型的参数，并改善学习曲线

---

如何在Tensorflow中使用验证集，从而改善学习曲线？

因为深度学习的训练需要很长时间，使用网格搜索或随机搜索等方法进行超参数优化需要很长时间

验证集主要用于在训练期间检查训练数据集上的过度拟合。然后根据验证集调整模型/超参数。据我所知，这是手动完成的

测试集对于设计算法来估计分类器在新的看不见数据上的性能没有影响

编辑：

---

有一些使用验证集的技术，如EarlyStopping（）或在x时代（）的验证错误没有减少时降低学习率。

非常感谢您的解释。我还注意到，在咖啡馆里也发生了类似的事情。我只是不确定是否有办法根据验证集调整参数。如你所说，如果是手动的，那么就必须使用python，这样我们就可以在训练时升级超参数。