SourceChangeWarning：验证集上准确率很高，但是测试集上很低

最新推荐文章于 2025-05-12 16:20:56 发布
转载 最新推荐文章于 2025-05-12 16:20:56 发布 · 1.8k 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://yan624.github.io/posts/cb7d01da.html

博客可能围绕验证集准确率高而测试集准确率低的现象展开，这在信息技术领域的模型评估中较为关键，可能涉及模型过拟合等问题，影响模型在实际应用中的性能。

https://yan624.github.io/posts/cb7d01da.html

pytorch迁移学习SourceChangeWarning
skywf的博客
03-02 1万+
我们这里是自己定义的网络然后复用两次 先放出警告的代码 SourceChangeWarning: source code of class '__main__.ConvNet' has changed. you can retrieve the original source code by accessing the object's source attribute or set `torch...
验证集分数很高但最后的测试集合分数很低
小姑仔的博客
07-21 3342
今天编程的时候，发现训练的时候验证集分数很高但是最后的测试集合分数很低，经过细心比对发现是在编写测试集的预测的时候程序没有编写正确
训练集验证集很高（＞95%），但测试集始终低于5%
weixin_44995401的博客
09-15 3023
训练集和测试集上的准确率都很高，但是测试集始终低于5%，稳定地低于5%。
【问题解决】训练和验证准确率很高，但测试准确率很低
ddddddggf的博客
08-09 1万+
采用ResNet50预训练模型训练自己的图像分类模型。训练和验证阶段准确率很高，但随机输入一张图片时，大多数情况下依旧预测得不准确。
解决深度学习验证集正确率很不错但测试情况下相同的图片测试效果较差的问题
m0_74796549的博客
08-28 742
由于大佬的加载方法写在了dataset里，需要调用txt文档，我想直接调用摄像头进行帧分析，于是就要自己写一个加载模型的脚本，这个脚本就是标题所示问题的。深度学习小白一名，前几天接收了一个智能识别垃圾桶分类的任务，要求根据摄像头输入的图像实时输出预测的垃圾种类，一共四类每一类大概200张图片，我用的是。结果实际一调用，好家伙，不光摄像头内的物体分辨错误率极高，连数据集本来的照片传入进去都惨不忍睹。因此这种情况不用犹豫了，训练好的模型应该没有问题，问题就出在我们是如何加载模型的。
SourceChangeWarning: source code of class 'torch.nn.parallel.data_parallel.DataParallel' has changed.
最新发布
06-25
SourceChangeWarning: source code of class 'torch.nn.parallel.data_parallel.DataParallel' has changed ``` 该警告表明当前环境中 `torch.nn.parallel.data_parallel.DataParallel` 类的源代码与最初定义时存在...
/home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.container.Sequential' has changed. Saved a reverse patch to Sequential.patch. Run `patch -p0 < Sequential.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.conv.Conv2d' has changed. Saved a reverse patch to Conv2d.patch. Run `patch -p0 < Conv2d.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.batchnorm.BatchNorm2d' has changed. Saved a reverse patch to BatchNorm2d.patch. Run `patch -p0 < BatchNorm2d.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.activation.LeakyReLU' has changed. Saved a reverse patch to LeakyReLU.patch. Run `patch -p0 < LeakyReLU.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.container.ModuleList' has changed. Saved a reverse patch to ModuleList.patch. Run `patch -p0 < ModuleList.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.pooling.MaxPool2d' has changed. Saved a reverse patch to MaxPool2d.patch. Run `patch -p0 < MaxPool2d.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) /home/book/anaconda3/envs/yolov5face/lib/python3.9/site-packages/torch/serialization.py:1580: SourceChangeWarning: source code of class 'torch.nn.modules.upsampling.Upsample' has changed. Saved a reverse patch to Upsample.patch. Run `patch -p0 < Upsample.patch` to revert your changes. warnings.warn(msg, SourceChangeWarning) 2025-03-20 04:45:15.598387: E external/local_xla/xla/stream_executor/cuda/cuda_platform.cc:51] failed call to cuInit: INTERNAL: CUDA error: Failed call to cuInit: UNKNOWN ERROR (303)
03-21
- 如果不需要严格序列化验证，可忽略警告： ```python import warnings warnings.filterwarnings("ignore", category=SourceChangeWarning) ``` - 完全重建环境： ```bash conda env remove -n yolov5face conda ...
yolov5学习
weixin_41990671的博客
06-12 7604
文章目录配置环境1.python3.7+2. 安装依赖坑1坑2坑33.inference 源码地址 https://github.com/ultralytics/yolov5 其中有个教程（notebook) https://colab.research.google.com/github/ultralytics/yolov5/blob/master/tutorial.ipynb#scrollTo=wbvMlHd_QwMG 配置环境 ubuntu18.04 (notebook上看用的linux所以就先用这个
有验证集了为什么还要测试集？
俊伟的博客
04-14 2239
测试集与验证集的存在主要是为了把调参与评估泛化能力分为两个相对独立的步骤，体现了正交化思想。 验证集一般用于进一步确定模型中的超参数（例如正则项系数、神经网络中隐层的节点个数，k值等），而测试集只是用于评估模型的精确度（即泛化能力）。 举个例子：假设建立一个BP神经网络，对于隐含层的节点数目我们并没有很好的方法取确定，此时一般将节点数设为某一具体的值，通过训练出相应的参数后，再由验证集取检测该模型...
机器学习三要素之数据、模型、算法
caofengtao1314的专栏
06-20 848
原创：Peter盼人人都是极客2018-10-15 一般一个模型是通过如下过程获得： 即算法通过在数据上进行运算产生模型。 下面我们从数据，模型，算法上来深入分析机器学习的过程。 数据 我们都知道，机器学习需要大量的数据来训练模型，尤其是训练神经网络。在进行机器学习时，数据集一般会被划分为训练集和测试集，很多时候还会划分出验证集。 数据集的划分一般有三种方法： 按...
caffe验证集测试集准确率差别很大的可能原因
XLM11的专栏
06-20 1万+
用caffe自身的训练方法训练的时候，在验证集上准确率达到99%，可是当我用python接口跑测试数据只有50%左右，我起初以为是过拟合，可看了数据发现分类全部偏向一个类别，几乎所有图片，全部分为印刷类。过拟合也不该这样啊。后来发现是我的均值文件有问题，训练时做了归一化，数据在01之间，可是，直接用训练数据计算的均值在0-255之间，训练时会除255，可是自己用python测试的时候，减去的均值要...
解决卷积神经网络测试集正确率低
lazyn的博客
10-05 1万+
解决卷积神经网络测试集正确率低问题描述可能的原因最终的原因结论 问题描述 在运用卷积神经网络进行图像识别的过程中，将数据集分为训练集与验证集，首先进行模型的训练，最终模型在训练集与验证集上的正确率均达到0.999，将训练好的模型保存到本地，测试过程中直接读取本地模型对视频帧进行图像识别，正确率却远达不到0.999，即模型在训练集与验证集上的正确率很高，但在测试集上的正确率却很低。 可能的原因 测试集与训练集的图片尺寸不一致； 测试集与训练集的数组维度不一致； 数据未归一化，训练过程中图像为归一化数据，即
PRN（20200908）：Frosting Weights for Better Continual Training
昔风不起，唯有努力生存！
09-08 844
Zhu, Xiaofeng, et al. “Frosting Weights for Better Continual Training.” 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). IEEE, 2019. 1. 问题背景 问题依旧是解决深度学习灾难性遗忘问题，详见深度学习之灾难性遗忘问题与PRN（20200816）：A Hierarchical Deep Convolutio
【机器学习】验证集和测试集有什么区别
weixin_44211968的博客
10-17 3万+
文章目录定义验证集和测试集的区别参考链接： 定义 Ripley 的著作《模式识别与神经网络》（Pattern Recognition and Neural Networks）中，训练集、验证集和测试集的定义如下： 训练集：用来学习的样本集，用于分类器参数的拟合。 验证集：用来调整分类器超参数的样本集，如在神经网络中选择隐藏层神经元的数量。 测试集：仅用于对已经训练好的分类器进行性能评估的样本集。 验证集和测试集的区别 验证集和测试集的对比 验证集的作用： 使用验证集是为了快速调参，也就是用验证
训练集准确率很高，验证集准确率低问题
热门推荐
qq_39777550的博客
10-08 11万+
训练集在训练过程中，loss稳步下降，准确率上升，最后能达到97% 验证集准确率没有升高，一直维持在50%左右（二分类问题，随机概率） 测试集准确率57% 在网上搜索可能打的原因： 1.learning rate太小，陷入局部最优 2.训练集和测试集数据没有规律 3.数据噪声太大 4.数据量太小（总共1440个样本，80%为训练集） 5.训练集和测试集数据分布不同：如训练集正样本太少（训练集和测试集每次运行随机选择，故排除） 6.数据集存在问题，如标注有问题（采用公开数据集，排除） 7.学习率过大 8.模型
当模型在训练集上表现良好但在测试集上表现差时，可能的原因是什么？（面试题200合集，高频、实用）
qq_38334677的博客
05-12 1485
当模型在训练集上表现良好，甚至能够达到非常高的准确率（例如99%或100%），但在未曾见过的测试集或验证集上表现却显著较差时，这种现象我们称之为。这表明模型学习到了训练数据中的噪声和细节，而不是数据中潜在的、具有普适性的规律。模型对训练数据“记忆”过深，导致其泛化能力（Generalization Ability）下降。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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