本文探讨了深度学习中常见的问题及解决方案，包括过拟合的应对策略，如调整模型复杂度；样本不平衡对模型性能的影响及调整方法；从二维卷积到一维卷积的转换考量；以及学习率调整对模型训练效果的具体表现。
1、过拟合解决方法
降低模型复杂度-调整卷积深度，全连接层参数个数
2、样本不平衡
表现为模型对数据量较多的识别性能较高，并且可能出现全部识别为样本数多的哪一类
3、二维卷积转化为一维卷积
二维卷积识别样本的准确率不高，并且模型准确率没有显著变化，即二维卷积把所有的样本全部识别为某一类
4、调整学习率
学习率较大时，梯度波动较大，表现为分类的准确率波动较大，学习率调大，可能出现loss消失，学习率调小，可能出现
loss变化不
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
