神经网络与深度学习笔记（四）训练集

前言

接下来的更新是第二课的内容了：

Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization

主要的内容是提升深度神经网络的效率

设计前准备

设计实现一个神经网络之前，我们需要考虑什么问题？

• layers 层数
• hidden units 隐藏单元
• learning rates 学习率
• activation functions 激活函数

然而现实是，你想要一开始就确定以上参数的最优解，基本是不可能的。

哪怕你是经验无比丰富也要慢慢调参。

所以深度学习模型的构建其实一个高度的反复迭代的过程。

训练集，开发集，测试集

train 训练集，用于训练模型

dev 开发集(交叉训练集)，用于测试模型

test 测试集，用于评估模型

上个时代的机器学习

上个时代的机器学习，由于数据量不多，所以对三个集的数据划分一般是：

第一行的train 70%，test 30%，又称为 70/30 训练测试分割

大数据时代

在如今的大数据时代，数据的量级已经不是当年的那点点了，动则上万，上十万，上百万的数据。

这样规模的数据训练过程中，我们可以把更多的数据用于训练集训练模型，仅仅将少量的数据用于开发集与测试集即可

数据集不匹配

在设计的过程中，数据集的来源可能不相同

比如在网站上使用爬虫爬取的高清图片和在app上获取到压缩图片。两种数据集就存在分布不匹配的问题

一般来讲：

训练集 train 与 测试集 test 不匹配是可以的

但是要保证开发集 dev 和测试集 test 的分布相同

没有测试集的情况

没有测试集也是可以的

实际上，测试集给的是无偏估计来评估模型的性能

如果不需要无偏估计，没有测试集也是没有问题的

在没有测试集的情况下，

我们用训练集来尝试不同的模型结构

用开发集评估它们的性能，根据评估的结果对模型进行迭代。

文章来源: blog.csdn.net，作者：沧夜2021，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/CANGYE0504/article/details/118424893