**Epoch
**
一个epoch , 表示: 所有的数据送入网络中, 完成了一次前向计算 + 反向传播的过程。
由于一个epoch 常常太大, 分成 几个小的 baches .
将所有数据迭代训练一次是不够的, 需要反复多次才能拟合、收敛。
在实际训练时、 将所有数据分成多个batch , 每次送入一部分数据。
使用单个epoch 更新权重 不够。
随着epoch 数量的增加, 权重更新迭代的次数增多, 曲线从最开始的不拟合状态, 进入优化拟合状态, 最终进入过拟合。
epoch 如何设置: 大小与数据集的多样化程度有关, 多样化程度越强, epoch 越大。
batchsize
每个batch 中: 训练样本的数量。
batch size 大小的选择也很重要, 最优化网络模型的性能+速度。
当数据量较小, 计算机可以承载只有1个batch 的训练方式时, 收敛效果会好。
mini-batch : 将所有数据分为若干个batch , 每个batch 包含一部分训练样本。。
iterations
完成一次epoch 需要的batch 个数
batch numbers 就是 iterations .
分为了多少个batch? : 数据总数/ batch_size
ablation studies(消融实验/研究)
在机器学习,特别是复杂的深度神经网络的背景下,已经采用“消融研究”来描述去除网络的某些部分的过程,以便更好地理解网络的行为。
你论文提了三个贡献点:A、B、C。
你去掉A,其它保持不变,发现效果降低了,那说明A确实有用。
你去掉B,其它保持不变,发现效果降的比A还多,说明B更重要。
你去掉C,其它保持不变,发现效果没变,那C就是凑字数的。
Dropout
Dropout是一种在学习的过程中随机删除神经元的方法,可用于抑制过拟合。
Dropout的实现
class Dropout:
def __int__(self,dropout_ratio=0.5):
self.dropout_ratio = dropout_ratio
self.mask = None
def forward(self,x,train_flg=Ture):
if train_flg:
self.mask = np.random.rand(*x.shape) > self.dropout_ratio
return x * self.mask
else:
return x * (1.0 - self.dropout_ratio)
def backward(self,dout):
return dout * self.mask
————————————————
参考资料:https://blog.csdn.net/yinxian9019/article/details/107870356