Question

以下是用于训练简单神经网络的代码段。

for epoch in range(hm_epochs):
            epoch_loss = 0
            for _ in range(int(mnist.train.num_examples/batch_size)):
                epoch_x, epoch_y = mnist.train.next_batch(batch_size)
                _, c = sess.run([optimizer, cost], feed_dict={x: epoch_x, y: epoch_y})
                epoch_loss += c

            print('Epoch', epoch, 'completed out of',hm_epochs,'loss:',epoch_loss)

这不是完整的代码，但是据我所知，内部循环使用所有测试数据（分为批次）进行训练，并使用优化算法进行优化。如果内部循环运行一次，则算法的精度为90％，但是当运行10次（hm_epochs = 10）时，正确率是95％。这对我来说没有任何意义，如何多次使用相同的数据对其进行训练（这是在外循环运行时发生的情况），使其变得更加准确。

我是tensorflow的新手。

这不是我的代码，它来自以下系列： https://pythonprogramming.net/tensorflow-neural-network-session-machine-learning-tutorial/

Answer 1

所以您问为什么训练更多的时期会产生更好的结果？这应该是显而易见的：您训练的时期越多，优化器就越能根据训练集调整网络的权重。您训练模型的次数越多，它就越适合训练数据。但是，如果您过度使用它，它将无法泛化，因此在新数据上的表现会很差。这就是过度拟合。

Answer 2

仅通过样本中可用的一定数量的信息来更新神经网络模型。例如，通过学习率来调整此行为。

想象一下，旋转收音机旋钮调谐电台。首先，您将其快速转动以大致获得广播电台的声音（90％），然后开始慢慢转身以微调广播电台的信号（95％）。

这个tensorflow示例中的历元如何工作

2 个答案: