Question

我正在构建Keras顺序模型以进行二进制图像分类。现在，当我使用大约70到80个纪元时，我开始获得良好的验证准确性（81％）。但是我被告知，这对于将影响网络性能的时代而言是一个很大的数字。

我的问题是：是否有数量不应该超过的时期，请注意，我有2000个训练图像和800个验证图像。

Answer 1

Y！他们是您的问题的解决方案。选择时期，例如1k，2k，只需在神经网络上使用早期停止即可。

提前停止： Keras通过称为Early-stopping的回调来支持提前停止训练。

此回调允许您指定要监视的性能指标，触发器，并且一旦触发，它将停止训练过程。例如，如果在前5个时期中精度没有提高，则应用一个触发器来停止训练。因此，如果您的准确性没有提高，喀拉拉邦就会通过回叫看到前5个时期，并停止训练

Answer 2

如果纪元数非常多，则您的模型可能会过拟合，并且训练精度将达到100％。通过这种方法，您可以在训练和验证数据上绘制错误率。横轴是历元数，纵轴是错误率。当验证数据的错误率最小时，您应该停止训练。

您需要在正则化参数之间进行权衡。深度学习的主要问题是模型过度拟合。使用各种正则化技术，例如

i）减小批量大小

ii）数据增强（仅当您的数据不多样化时）

iii）批量归一化

iv）降低架构（主要是卷积层）的复杂性

v）引入辍学层（仅当您使用任何密集层时）

vi）学习率降低。

vii）转移学习

批处理大小与时代的权衡非常重要。此外，它取决于您的数据，并且因应用程序而异。在这种情况下，您必须稍微弄点数据才能知道确切的数字。通常，批处理大小为32个中等大小的图像需要10个历元，才能从卷积层中提取出良好的特征。同样，它是相对的

Answer 3

Keras提供了您只需定义的“提早停止”功能。

EarlyStopping(patience=self.patience, verbose=self.verbose, monitor=self.monitor)

让我们说epochs参数等于80，就像您之前说过的那样。当您使用EarlyStopping函数时，纪元数成为最大纪元数。

您可以定义EarlyStopping函数以监视验证损失，例如，当该损失不再改善时，它将为它提供一些最后的机会（您在耐心参数中输入的数字），以及监控值没有改善培训过程的最后机会将停止。

我认为，最佳实践是同时使用EarlyStopping和ModelCheckpoint，这是Keras API中提供的另一个回调函数，可以简单地保存您的最佳模型（您可以确定最佳方法，最佳损失或其他价值）测试您的结果）。

这是Keras解决您要解决的问题的解决方案。此外，您还可以阅读许多在线资料，了解如何应对过度拟合。