在Keras序列模型中使用的历元数

Question

我正在构建一个Keras序列模型来进行二值图像分类。现在，当我使用大约70到80个历元时，我开始获得很好的验证精度(81%)。但我被告知，这是一个非常大的数字将用于划时代，这将影响网络的性能。

我的问题是:是否有数量有限的时代，我不应该超过，请注意，我有2000张培训图像和800张验证图像。

Answer 1

如果划时代的数量很高，你的模型可能会过分适合，你的训练精度将达到100%。在这种方法中，您可以在培训和验证数据上绘制错误率。水平轴是年数，垂直轴是误差率。当验证数据的错误率最小时，应停止培训。

您需要在正则化参数之间进行权衡。深度学习的主要问题是过度拟合模型。使用了各种正则化技术，如

(一)减少批量。

(二)数据增强(仅当数据不多样时)

(三)批标准化

(4)降低建筑的复杂性(主要是卷积层)

(五)引入辍学层(只有在使用任何密集层的情况下)

(六)学习率下降。

(七)转移学习

批次大小与时代的权衡是相当重要的。而且，它依赖于您的数据，并且随应用程序的不同而不同。在这种情况下，您必须稍微使用数据才能知道确切的数字。通常，一批32幅中等大小的图像需要10个年代才能从卷积层中提取出较好的特征。再说一次，它是相对的

Answer 2

您只需定义Keras提供的早期停止函数。

EarlyStopping(patience=self.patience, verbose=self.verbose, monitor=self.monitor)

就像你之前说过的，假设历元参数等于80。当您使用EarlyStopping函数时，历元数就变成了最大的历元数。

您可以定义EarlyStopping函数来监视验证损失，例如，当该损失不再改善时，它将给它一些最后的机会(您在耐心参数中输入的数字)，如果在最后一次机会之后，被监控的值没有改进培训过程。

在我看来，最佳实践是同时使用EarlyStopping和ModelCheckpoint，这是Keras中提供的另一个回调函数，它简单地保存了您上一个最好的模型(您决定了测试结果的最佳方法、最佳损失或其他值)。

这是您试图解决的问题的Keras解决方案。此外，有很多在线材料，你可以阅读如何处理过度适合。

Answer 3

雅亚！他们是解决你问题的方法。选择纪元，例如1k ,2k只是在你的神经网络上使用早期回采。

早期停止： Keras通过一个名为“早期停止”的回调来支持早期停止训练。

此回调允许您指定要监视的性能度量、触发器，一旦触发，它将停止培训过程。例如，您应用了一个触发器，如果在前5个周期中精度没有提高，则该触发器将停止训练。因此，如果你的准确率没有提高，卡拉斯就会通过回叫看到前5个时代，并停止训练。

早期停止链接：