Question

我想训练CNN，但我想使用所有数据来训练网络，从而不执行验证。这是一个不错的选择吗？如果只使用训练损失作为早期停止CNN的标准，我是否愿意过度装备我的CNN？

换句话说，什么是最好的＆＃39;监视器＆＃39;在下面的选项中，KERAS中的参数（例如）用于提前停止？

early_stopper=EarlyStopping(monitor='train_loss', min_delta=0.0001, patience=20)
early_stopper=EarlyStopping(monitor='train_acc', min_delta=0.0001, patience=20)
early_stopper=EarlyStopping(monitor='val_loss', min_delta=0.0001, patience=20)
early_stopper=EarlyStopping(monitor='val_acc', min_delta=0.0001, patience=20)

在stackoverflow Keras: Validation error is a good measure for stopping criteria or validation accuracy?中有这样的讨论，但是，他们只讨论验证。是否更好地使用验证或训练数据中的标准来提前停止CNN培训？

Answer 1

我已经投票Tin Luu's回答，但想要提炼一个关键的，实用的观点：最佳标准是最符合成功标准的标准。也就是说，你必须在你的问题对我们完全有意义之前定义你的实用评分函数。

您对此模型进行培训的应用程序的重要性是什么？如果它只是前1个预测准确度，那么验证准确性（val_acc）几乎肯定是您唯一的标准。如果你关心自信心水平（例如，当你有48％的机会对猫进行套期保值时，42％它是一只狼，10％它是法拉利），那么正确实施错误功能将使验证错误（val_err）是一个更好的选择。

最后，我再次强调，根据您选择的标准，最终指标是实际性能。 Test数据是您实际输入的代表性样本。您可以使用早期停止标准来加快培训周转速度，但在您的实际标准经过测试和满足之前，您尚未做好部署准备。

Answer 2

我想训练CNN，但我想使用所有数据来训练网络，从而不执行验证。这是一个不错的选择吗？我   如果仅使用训练损失，我冒着过度使用CNN的风险   提早停止CNN的标准？

答案：不，你的目的是预测新样本，即使你有100％的训练准确率，但你可能对新样本的预测不好。你没办法检查你是否有过度拟合

换句话说，在下面的选项中，KERAS（例如）提前停止的最佳“监视器”参数是什么？

答案：它应该是最接近现实的标准

early_stopper=EarlyStopping(monitor='val_acc', min_delta=0.0001, patience=20)

此外，您可能需要培训，验证和测试数据。训练是训练你的模型，验证是执行验证一些模型+参数并选择最佳，测试是独立验证你的结果（它不用于选择模型，参数，所以它相当于新样本）

评估CNN培训情况的最佳指标是什么？验证错误或培训损失？

2 个答案: