网络容量:训练过程中可以调整参数的数量。即在模型训练过程中有多少参数可以自定义进行调整,能调整得越多,网络容量越多。
拟合:训练结果和真实值之间的接近程度。
过拟合:训练结果和真实值之间非常接近,但是和评估值之间相距较大。
欠拟合:训练结果和真实值之间差距较大,但是和评估值之间差距也较大。
较理想的训练结果就是训练结果和真实值之间非常接近,但是和评估值之间也非常接近,也就是正确率较大,损失率较小。那么在实际训练中如何做到这个目标呢?
一般上创建模型时先尽量做到过拟合,然后根据评估结果进行逐渐调整,常用增加过拟合的方法有:
- 增加图层数量
- 增加每个图层的神经数量
- 增加训练次数
- 调整学习速率
过拟合后常用以下方法进行调整:
- 减少图层数量
- 减少每个图层的神经数量
- 减少训练次数
- 添加Dropout图层
- 调整学习速率
最后,最好的模型是增加训练数据和训练周期。