我有自己的图像数据集，并使用Mask-R-CNN进行训练。在那里，您可以将数据集分为训练，验证和测试。
我想知道验证和测试之间的区别。 我知道验证通常用于在每个时期后查看NN的质量。在此基础上，您可以看到NN的质量以及是否过度拟合。 但是我想知道NN是否基于验证集学习。
基于训练集，NN在每个图像之后学习并调整每个神经元以减少损失。 NN完成学习后，我们使用测试集来查看我们的NN在看不见的新图像上的表现如何。
但是基于验证集，Mask-R-CNN究竟发生了什么？验证集是否仅用于查看结果？还是会根据验证结果调整某些参数以避免过拟合？即使是这种情况，validationset对参数有多大影响？神经元本身会被调节吗？
如果影响很小，那么我将选择与测试集相等的验证集，因为我没有很多图像（800张）。
所以基本上我想知道Mask-R-CNN中测试和验证之间的区别，即验证集如何以及在多大程度上影响NN。
答案 0 :(得分：1)
该模型没有学习验证集。验证集仅用于在任何时期给出泛化误差的近似值，而且对于超参数优化也至关重要。因此，我可以遍历几种不同的超参数配置，并评估验证集中那些参数的准确性。
然后，我们根据验证集的准确性选择最佳模型后，便可以根据测试集计算测试误差。理想情况下，测试集和验证集的准确性之间没有太大差异。有时，如果您遍历许多不同的超参数，则模型实质上可以“过度拟合”验证集。
如果有大量数据，保留另一套测试集以进行验证集评估之后的评估是一种奢侈的选择。很多时候，您可能缺少足够的标签数据，甚至值得保留一个单独的测试集。
最后，这些不是特定于Mask RCNN的。验证集绝不会影响模型的训练，即权重或偏差。验证集与测试集一样，仅用于评估目的。