some tips

DL中的训练集、验证集、验证集  （建议比例：6：2：2 或 8：1：1）

训练集（Training set）：学习样本数据集，通过匹配一些参数来建立一个分类器。建立一种分类的方式，主要是用来训练模型的。

验证集（Validation set）：对学习出来的模型，调整分类器的参数，如在神经网络中选择隐藏单元数。验证集还用来确定网络结构或控制模型复杂程度的参数。

测试集（Test set）：主要是测试训练好的模型的分辨能力（识别率等）

不同set分割代码实现：

split = np.random.rand(len(x))
    # x_train shape=(20930, 10064)
    train_flag = split <= 0.6
    x_train = x[train_flag,:]
    y_train = y[train_flag]
    valid_flag =(split  > 0.6) & (split <= 0.8)
    x_valid = x[valid_flag,:]
    y_valid = y[valid_flag]
    test_flag = split > 0.8
    x_test = x[test_flag,:]
    y_test = y[test_flag]

keras 实践：

1.validation set

注：Keras中，验证集划分只要在fit函数里设置validation_split的值就好了，这个对应了取训练集中百分之几的数据出来当做验证集。但由于shuffle是在validation _split之后执行的，所以如果一开始训练集没有shuffle的话，有可能使验证集全是负样本。

hist=model.fit(train_set_x,train_set_y,batch_size=256,shuffle=True,nb_epoch=nb_epoch,validation_split=0.1)

2.test set

这里注意evaluate和fit函数的默认batch_size都是32，自己记得修改。

print model.evaluate（test_set_x，test_set_y ,batch_size=256）

       

      关于在验证集和测试集上的准确率差别，测试集准确率是否会比验证集上下降很多，还不清楚。经一次实验，准确率差不多。有待进一步学习。

参考：

深度学习框架Keras使用心得（http://blog.csdn.net/xjcvip007/article/details/52801216）