В учебнике для MNIST показано, что набор данных разделяются на три различные наборы: (1) data_sets.train, (2) data_sets.validation и (3) data_sets.test. Однако в тренировочном цикле используется только data_sets.train.Tensorflow: Как набор валидации улучшает кривое обучение
# 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)
И каждый (step + 1) % 1000 == 0 or (step + 1) == FLAGS.max_steps
модель оценивается так три различных оценок получили: (1) Подготовка данных Eval (2) Проверка данных Eval и (3) Тестовые данные Eval.
Обычно, в Machine Learning, набор проверки используется для точной настройки параметров модели и улучшает кривую обучения.
Каким образом набор валидации применяется в Tensorflow, так что улучшается кривая обучения?
Большое спасибо за объяснение. Я также заметил, что в CAFFE происходит нечто подобное. Я просто не был уверен, есть ли способ настроить параметры в соответствии с набором валидаций. Если это руководство, как вы сказали, тогда необходимо использовать python, чтобы мы могли обновлять гиперпараметры во время обучения. – basuam
Редактирование: расширено при настройке гиперпараметров во время тренировки. –