![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
TensorFlow入门实战
文章平均质量分 96
lihuhelihu
这个作者很懒,什么都没留下…
展开
-
第T3周:天气识别
然而,验证集上的表现(val_loss 和 val_accuracy)是衡量模型泛化能力的关键指标,如果验证集的损失突然增大或准确率下降,可能表明模型开始过拟合。验证集准确率: 验证集的准确率从 76.00% 上升到 86.22%,但在某些 epoch 中,准确率没有明显改善,甚至略有下降(例如,在 Epoch 4 和 Epoch 9)。结论:虽然模型在验证集上的准确率还算不错,但验证损失的增加以及训练和验证准确率之间的差距表明模型存在一定程度的过拟合。从上面的数据来看,模型显示出了一些过拟合的迹象。原创 2024-09-03 06:07:23 · 390 阅读 · 0 评论 -
第T2周:彩色图片分类
过拟合(Overfitting) 是机器学习模型训练中常见的问题,指的是模型在训练数据上表现得非常好,但在验证或测试数据(未见过的数据)上的表现较差。这意味着模型过于复杂,以至于学习到了训练数据中的噪声或特定模式,而不是数据的通用特征,导致在新数据上泛化能力不足。经过上网查资料和多次训练,将epochs修改为20,结果不如意,甚至比epochs=10的结果更差,过拟合现象更突出,说明模型一定过拟合了。模型复杂度高:模型参数过多,层数过深,或神经元数量过多,导致模型能够记住训练集中的每一个细节和噪声。原创 2024-09-02 17:34:18 · 660 阅读 · 0 评论 -
第T1周:实现mnist手写数字识别
不归一化处理时,如果特征值较大时,梯度值也会较大,特征值较小时,梯度值也会较小。在模型反向传播时,梯度值更新与学习率一样,当学习率较小时,梯度值较小会导致更新缓慢,当学习率较大时,梯度值较大会导致模型不易收敛,因此为了使模型训练收敛平稳,对图像进行归一化操作,把不同维度的特征值调整到相近的范围内,就可以采用统一的学习率加速模型训练。通过下面的网络结构我们可以简单理解为,输入一张图片,将会得到一组数,这组代表这张图片上的数字为0~9中每一个数字的几率(并非概率),out数字越大可能性越大,仅此而已。原创 2024-09-01 23:42:07 · 417 阅读 · 0 评论