我正在使用Python 3.5中的TensorFlow构建模式识别Deep Neural Network。在构建我的网并创建我的训练集之后，我使用TensorFlow中的以下函数训练我的模型：
model = tflearn.DNN(net, tensorboard_dir='tflearn_logs')
model.fit(train_x, train_y, n_epoch=2000, batch_size=8, show_metric=True)
model.save(name + '.tflearn')
当我对从未见过的输入做出预测时，它的效果非常好。阅读关于fit函数的Tflearn文档，它说我可以将该函数传递给“validation_set”，顾名思义它是用于验证我的模型的集合。
传递验证集和不传递它有什么区别？
答案 0 :(得分：3)
实际上恕我直言，验证集命名非常混乱。通常，在机器学习或深度学习中，验证适用于用于超参数调整的数据集，例如DNN的层或每层的神经元数量或正则化的lambda值。所以它应该命名为test_set。
但无论如何，您有两种方法可以在tflearn中指定验证集。一种是将它传递给1到0之间的浮点数
model.fit(X, Y, validation_set=0.1)
这意味着fit方法将使用10％的训练数据来测试模型的性能，并且仅使用90％的原始训练数据集进行训练。
或者您可以自己将数据集自行拆分为训练数据集和验证/测试数据集，并将其传递到下面：
model.fit(X_train, Y_train, validation_set=(X_test, Y_test))
通过验证集，您可以放心地说出您的模型的准确性是什么＆＃34;看不见＆＃34;数据，而不是使用诸如＆＃34; 之类的语句，当我对从未见过的输入做出预测时，它的效果非常好。＆＃34;。此外，如果您发现训练数据的模型准确性远高于验证数据集，您知道您有一个过度拟合的问题，并且可以应用技术来解决它。
答案 1 :(得分：0)
在机器学习中，您将数据分为三个部分：1-列车，2-验证，3-测试。然后通过学习列车数据模型并测量验证数据的性能，尝试一堆不同的超参数（例如，您的案例中的时期数，或网络中的层数，......）。然后，您选择使用最佳超参数训练的模型（根据验证集上的性能），并测量其在测试数据上的性能，为您提供模型的准确性。 如果你没有使用验证集并在你的测试集上调整你的超参数，那就被认为是作弊，因为你可能过度适应你的测试集（即有一个专门为你的测试集做出好预测的模型）。 p>