一、神经网络基本概念掌握
1.明确Epoch、Batch、iteration、样本数量之间的关系
1.1 Epoch
每一个Epoch所有的样本都训练一次。最大的循环,循环训练集所有样本数量
1.2 Batch
训练集每次选取Batch大小的样本数量进行训练后更新权值。训练集中选出batch大小样本数量
1.3 iteration:迭代次数
每一个迭代次数更新一次权值。
2.前向传播与反向传播(每一个iteration更新一次)
训练集:前向传播求得损失函数、反向传播利用损失函数更新神经网络参数的权值。
验证集和测试集只需要进行前向传播
3.数据集的作用
训练集的存在是为了学习神经网络内部的参数,学习好之后用验证集观察效果
验证集的存在是为了调整超参数(如开始人为设定好的初始学习率、层数、权值衰减系数、训练次数等),训练集和验证集效果都好,用测试集观察模型效果
测试集就是最终的模型泛化效果检验
二、搭建训练框架
三、模型评估
3.1查准率和查全率
1.混淆矩阵
预测:正类 | 预测:反类 | |
---|---|---|
真实:正类 | TP | FN |
真实:正类 | FP | TN |