19.补充:如何看训练结果来调参

本文探讨了如何通过添加dropout层解决过拟合问题,并通过调整神经元数量提高网络拟合,最终通过实例展示了调整策略的有效性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

](https://img-blog.csdnimg.cn/20201208202705418.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RoYW1lc19o,size_16,color_FFFFFF,t_70)
看一下图一, 从这个图看,该网络有两个问题
1、训练集的正确率不高,没有达到100%,因此网络的拟合能力有待调高
2、测试数据正确率与训练数据正确率之间存在较大差距,说明过拟合

那么先解决过拟和问题,添加dropout层

在这里插入图片描述

可以看到上图,测试集和训练集的正确率已经接近,那么过拟合问题基本解决,
现在来解决第一个问题。将神经元按照2的倍数次增加到每个层中。
在这里插入图片描述
可以看到,现在网络的拟合能力就变得很好了。基本解决较大的两个问题,后面再调思路也类似。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值