CNN：在1个时期内训练300.000张图像或在1000个时期内训练300张图像更好吗？

Question

这个问题与卷积神经网络（尤其是YoloV3）有关

由于一个时期是所有训练示例中的一个前进和一个后退，为了使模型正确收敛，与模型（从精度和收敛时间而言）是否相同：

• 在 m个时期内训练 n * k张图像？
• 在 m * k个时期训练 n张图片？

Answer 1

使用m *个时代的n * k张图像，通常会得到更好的模型，否则很容易overfitting。

也有许多研究该领域的论文（为什么更多的数据似乎总是更好），例如this one。

我建议对所有可用数据（减去测试和验证集）进行训练，只要模型未收敛或测试指标没有一致的下降趋势（在这种情况下，您可能过度拟合）训练数据）。

Answer 2

不，它们不一样。

*您显示的示例网络数量定义了它将寻找的内容-包含更多示例的网络将趋于更普遍。例如，如果其中有1000张带有不同狗的图片，而您只显示300/300000张图片，则网络（平均）只会识别一种特定的狗，而无法挑选出所有狗的共同特征

*一个纪元基本上就是一小步地修改网络，这里的关键词很小-采取太大的步骤可能会超出我们的网络参数目标值。由于我们正在采取小步骤，因此我们必须采取其中几个步骤才能达到我们想要的位置。