4_SVHN数据集的验证与评估

SVHN数据集的验证与评估

训练集，测试集，验证集的不同作用

• 训练集:训练网络，调整网络参数，！不能提高模型泛化能力
• 验证集：验证模型精度，调整网络超参数
• 测试集：验证模型的泛化能力

验证集的选择

方法

• 1.留出法：划分训练集一部分作为训练集，一部分作为验证集【一般比例8:2】 &适用于数据量较大&
• 2.K折交叉验证法：划分训练集为K份，循环K次让每份都作为验证集，其他K-1份为训练集 &适用于数据量不大的情况&
• 3.bootstrap法：每次有放回的从训练集样本中抽取n个样本，共抽取sample次，得到的样本数量为sample*n,再用这些样本划分验证集

 

import torch
import torch.nn as nn

# 定义训练函数
def train(train_dataloader,model,loss_func,optimizer):
  model.train()
  for i,(data,label) in enumerate(train_dataloader):
    c1,c2,c3,c4,c5 = model(data)
    # 定义损失函数 loss是个标量,且是float类型
    loss = loss_func(c1,label[:,0]) + \