deep-learning - 我们如何知道何时停止在预训练模型上训练模型？

Question

我很抱歉，因为我的问题可能听起来很愚蠢。但我在深度学习和 caffe 方面还很陌生。我们如何检测在我们自己的数据集上微调预训练需要多少次迭代？例如，我正在为我自己的数据运行 fcn32，其中包含 5 个类。我什么时候可以通过查看训练阶段的损失和准确性来停止微调过程？

非常感谢

Answer 1

您不应该通过查看训练阶段的损失或准确性来做到这一点。从理论上讲，训练准确度应该始终在增加（也意味着训练损失应该始终在减少），因为您训练网络以减少训练损失。但训练准确率高并不一定意味着测试准确率高，这就是我们所说的过拟合问题。因此，您需要找到测试集（或验证集，如果有的话）的准确性停止增加的点。您可以通过首先指定相对较大的迭代次数来简单地做到这一点，然后监控测试准确度或测试损失，如果测试准确度在一致的 N 次迭代（或时期）中停止增加（或损失停止减少），其中 N可以是 10 或您指定的其他数字，然后停止训练过程。

Answer 2

最好的办法是跟踪训练和验证的准确性，并存储每 k 次迭代的权重快照。要计算验证准确度，您需要拥有一组不用于训练的独立数据。然后，一旦验证准确度停止增加或开始减少，您就可以停止。这在文献中被称为早期停止。例如，Keras 为此提供了功能：https ://keras.io/callbacks/#earlystopping

此外，绘制上述数量是一种很好的做法，因为它可以让您深入了解培训过程。请参阅http://cs231n.github.io/neural-networks-3/#accuracy以获得很好的说明（并非特定于提前停止）。

希望这可以帮助

Answer 3

通常，您会收敛到模型的特定验证准确性。在实践中，如果验证损失在 x 个时期内没有增加，您通常会停止训练。根据您的纪元持续时间，x 可能最常见地在 5 到 20 之间变化。

编辑：

一个 epoch 是对数据集的一次迭代，用于 ML 术语中的训练。您似乎没有验证集。通常，数据会分为训练数据和验证数据，因此您可以查看模型在看不见的数据上的表现，并通过查看这些数据来决定采用哪个模型。您可能想查看http://caffe.berkeleyvision.org/gathered/examples/mnist.html以了解验证集的用法，即使他们称其为测试集。