Question

在培训CNN时，为什么验证损失会在一个时代得到改善，即使它之前的验证损失没有改善？我没有使用任何辍学，每个时期后培训和验证数据集保持不变

型号：

model = Sequential()
model.add(Conv2D(filters=16, kernel_size=2, padding='same', activation='relu', 
                        input_shape=(32, 32, 3)))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'))
model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))
#model.add(Dropout(0.3))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))
model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))
#model.add(Dropout(0.3))
model.add(MaxPooling2D(pool_size=2))
#model.add(Dropout(0.3))
model.add(Flatten())
model.add(Dense(500, activation='relu'))
model.add(Dropout(0.4))
model.add(Dense(10, activation='softmax'))

以下示例：epoch 14改进了val_loss而epoch 13没有改进val_loss。怎么可能？这背后的直觉是什么？

Epoch 12/20
Epoch 00011: val_loss did not improve
14s - loss: 1.1619 - acc: 0.6079 - val_loss: 1.2863 - val_acc: 0.5308
Epoch 13/20
Epoch 00012: val_loss did not improve
14s - loss: 1.1741 - acc: 0.6029 - val_loss: 1.3020 - val_acc: 0.5930
Epoch 14/20
Epoch 00013: val_loss improved from 1.11924 to 0.97569, saving model to model.weights.best.hdf5
14s - loss: 1.1895 - acc: 0.6005 - val_loss: 0.9757 - val_acc: 0.6614

Answer 1

一般来说，你会发现趋势是改善，然后趋于稳定，最终可能随着过度拟合而恶化。然而，验证准确性是一个嘈杂的过程。你不是直接训练它，所以它可能会上下移动一点。

考虑到这一点的一种方法是要注意，任何深度网络都描述了一个复杂的，高度非线性的函数，由大量变量参数化。在每个步骤中，训练算法都会尝试微调这些参数，以便您的非线性函数在训练示例给出的点处具有所需的值。但验证准确性衡量的是一组不同的例子。在训练过程的某些阶段，训练集的准确性的提高肯定会导致验证集的恶化，纯粹是偶然的 - 并且这将在以后的迭代中得到修复。

此外，即使训练准确性也会波动，因为您通常会使用迷你训练班，而不是立即训练整个训练组。因此，特定的迷你游戏可能包含一系列示例，这些示例在特定方向上轻推功能，这恰好对大多数其他训练示例有害。这通常会被后续的小型游戏机修复，但可能并且会导致训练准确性不时下降。

ConvNet验证与每个时期的准确性关系

1 个答案: