第一卷 第十七章 观察欠拟合和过拟合
现在我们将深入探讨并讨论深度学习背景下的欠拟合和过拟合。为了帮助我们理解欠拟合和过拟合的概念,我将提供许多图表,以便您可以将自己的训练损失/准确度曲线与它们相匹配——如果您是第一次接触这本书,这种做法将特别有用机器学习/深度学习,您以前不必发现欠拟合/过拟合。
从那里我们将讨论如何为Keras创建一个近似实时训练监视器,您可以使用它来监督网络的训练过程。到目前为止,我们不得不等到我们的网络完成训练后才能绘制训练损失和准确性。
等到训练过程结束才可视化损失和准确性可能会浪费计算,特别是如果我们的实验需要很长时间才能运行并且我们无法可视化训练过程本身的损失/准确性(除了查看原始终端输出)——我们可能会花费数小时甚至数天的时间来训练网络,而没有意识到该过程应该在最初的几个epoch之后停止。