【原创首发】训练集停止训练后，验证集加入训练（在深度学习算法中）

本文链接：https://blog.youkuaiyun.com/Yellow_python/article/details/108295816

本文介绍了一种在深度学习中通过调整验证集使用方式来提高模型准确率的方法。该方法在训练结束后将验证集重新加入训练，通过多组实验对比发现，此方法能够显著提升图像识别和文本分类任务的表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

原理
Python极简算法
- 图像识别示例
- 文本分类示例
结果及结论

原理

在深度学习中，为了防止过拟合，被切分出来的验证集用来停止训练，但木有用于训练而导致浪费
本文尝试训练集停止训练后，验证集加入训练，并用多组参数进行实验

Python极简算法

图像识别示例

from keras.datasets import cifar10  # 小图像10分类
from keras.utils import to_categorical  # 独热码
from keras.models import Sequential  # 顺序模型
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D
from keras.callbacks import EarlyStopping
from sklearn.model_selection import train_test_split

# 超参
verbose = 2  # 训练过程打印
batch_size = 256  # 批大小
patience = 1  # 没有进步的轮数
callbacks = [EarlyStopping('val_acc', patience=patience)]
# 读数据
(x1, y1), (x2, y2) = cifar10.load_data()
x1, x2 = x1 / 255, x2 / 255  # 像素值→[0,1]
y1 = to_categorical(y1, 10)
y2 = to_categorical(y2, 10)


def experiment(validation_size=.1):
    # 验证集切分
    x11, x12, y11, y12 = train_test_split(x1, y1, test_size=validation_size)
    # 建模
    model = Sequential()
    for i in (32, 64):
        model.add(Conv2D(i, (3, 3), padding=