我正在使用Tensorflow的对象检测API训练神经网络来检测汽车。我使用以下youtube视频来学习和执行该过程。
https://www.youtube.com/watch?v=srPndLNMMpk&t=65s
他的系列的第1至6部分。
现在，在他的视频中，他提到当损失值平均达到约1或以下并且将花费大约10000'ish'步时停止训练。
在我的情况下，现在是7500步，损耗值一直在0.6到1.3之间波动。
很多人在评论部分抱怨该系列的误报，但我认为发生这种情况的原因是不必要的长时间培训（因为他们不知道何时停止？），这会导致过拟合！
我想避免这个问题。我想要的不是最佳重量，而是相当最佳的重量，同时避免错误检测或过度拟合。我也在观察Tensorboard的“总损失”部分。它在0.8到1.2之间波动。我什么时候停止训练过程？
我也想大体上知道，“停止培训”取决于哪些因素？它是否总是平均损失1或更少？
其他信息： 我的训练数据有约300张图像 测试数据〜20张图像
由于我使用的是转移学习的概念，所以我选择了ssd_mobilenet_v1.model。
Tensorflow 1.9版（在CPU上） Python 3.6版
谢谢！
答案 0 :(得分：2)
您应该使用不同于训练集和测试集的验证测试。
在每个时期，您都要计算训练和验证集的损失。 如果验证损失开始增加，请停止培训。现在，您可以在测试集上测试模型。
验证集大小通常与测试集相同。例如，训练集为70％，验证集和测试集均为15％。
此外，请注意，数据集中的300张图像似乎还不够。您应该增加它。
对于其他问题： 损失是错误的总和，因此取决于问题和数据。就此而言，损失1并不意味着太多。永远不要依靠它来停止训练。