paddle video_tag模型踩坑

1、如何调参？ 1、在确保了数据与网络的正确性之后，使用默认的超参数设置，观察loss的变化，初步定下各个超参数的范围，再进行调参。对于每个超参数，我们在每次的调整时，只去调整一个参数，然后观察loss变化，千万不要在一次改变多个超参数的值去观察loss。 2、对于loss的变化情况，主要有以下几种可能性：上升、下降、不变，对应的数据集有train与val（validation），那么进行组合有如下的可能： train loss 不断下降，val loss 不断下降——网络仍在学习； train loss

为什么呢？ 原因在于深度两字，现在的神经网络可以搭建很多层，几十层，甚至上百层，比如手写数字识别案例中，就用到了784个特征，256个中间层神经元，层数与神经元个数不断叠加引发过拟合。 如何防止过拟合？ 1、正则化 2、增大数据集 3、dropout dropout也是为了使模型更加简单一些，在构建的神经元中不带那么多神经元参与计算。 有一篇文章详细介绍了dropout，可参考添加链接描述 ...

paddle video_tag模型涉及的性能指标 1、精确率(precision)和准确率(accuracy) 实际\预测 正 负 正 TP(True Positive) FN(False Negative) 负 FP(False Positive) TN(True Negative) 精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP) 召回率是针对我们原

paddle video_tag paddle.fluid.io.xmap_readers #源码第1层 infer_reader = get_reader(args.model_name.upper(), 'infer', infer_config) #源码第2层 def get_reader(name, mode, cfg): reader_model = reader_zoo.get(name, mode, cfg) return reader_model.create_reade

paddle video_tag调参踩坑 环境搭建 1、centos7+paddlepaddle-gpu==1.8.4.post97 2、cudn10.0 +driver450+cudnn7.6 具体按照步骤见paddle官网安装手册 坑1 这个点，要怪只能怪自己对代码理解得不到位，那么下面就先记录下这个知识点 知识准备： 1、Python yield 关键词 要理解yield的作用，你必须理解生成器是什么。在理解生成器之前，必须先理解迭代器 迭代器 mylist = [1,2,3] for i in my