如何在完成训练过程后获得模型的训练精度？
在完成训练过程后获得模型的训练精度可以通过以下几种方式来实现：
- 精确度评估：可以使用不同的评估指标来衡量模型的准确性。常用的指标包括准确率（accuracy）、精确率（precision）、召回率（recall）、F1值等。准确率衡量的是模型在整体样本上的正确率，精确率衡量的是模型预测为正例的样本中真正为正例的比例，召回率衡量的是模型正确预测为正例的样本占总正例样本的比例。通过计算这些指标，可以综合评估模型的训练精度。
- 混淆矩阵：混淆矩阵可以用来可视化分类模型的性能。它以实际类别和预测类别为基础，将样本分类情况展示在一个矩阵中。通过混淆矩阵，可以清楚地看到模型在不同类别上的预测情况，从而评估模型的训练精度。
- 学习曲线：学习曲线是一个展示模型训练过程中训练精度变化的图表。通过观察学习曲线，可以了解模型在训练过程中是否出现过拟合或欠拟合的情况。过拟合指模型在训练集上表现良好，但在测试集上表现较差；欠拟合指模型无法很好地拟合训练集的情况。通过观察学习曲线，可以判断模型的训练精度是否达到了理想的水平。
- 交叉验证：交叉验证是一种通过将数据集分成若干部分，依次使用其中一部分作为测试集，其他部分作为训练集来评估模型性能的方法。通过交叉验证，可以得到模型在不同测试集上的平均训练精度，从而更准确地评估模型的性能。
需要注意的是，以上方法都是在训练过程完成后评估模型训练精度的常见方式。具体使用哪种方式取决于具体的场景和需求。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI开放平台：https://cloud.tencent.com/product/ai
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
- 腾讯云数据智能平台：https://cloud.tencent.com/product/dts
- 腾讯云人工智能：https://cloud.tencent.com/product/ai
相关·内容
训练完成后，我在我的网络上做了预测，我想计算我的模型的“精度”和“召回率”，然后将其发送到"tensorboard“的日志文件中，以显示曲线图。在训练时，我将"tensorboard“函数作为回调发送给keras。但是训练结束后，我不知道如何将更多的数据添加到tensorboard中进行绘制。我使用keras进行编码，使用tensorflow作为其后端。
浏览 5提问于2018-08-24得票数 1
这可能是个愚蠢的问题，但如果我有一个确定性的过程，例如，一个函数(在数学意义上)，它的计算成本很高，我决定用逻辑回归、人工神经网络或任何类型的机器学习模型来近似它：
是否有几个(随机和连续的)训练实例可以确保我的学习模型“几乎”完美的准确性？如果是，如何计算这个数字？
一般来说，如果过程是确定性的，我能至少期望得到“更好的”模型吗？
在这种情况下，过度适应是个问题吗？我的直觉不知何故拒绝了，但我无法证明。
提前感谢！
浏览 0提问于2023-02-24得票数 0
回答已采纳
1回答
我正在做一个机器学习项目。我已经为项目的不同阶段设置了ML管道。管道是这样的- 数据提取->数据验证->预处理->训练->模型评估 模型评估，在完成培训后进行，以确定模型是被批准还是被拒绝。现在，我想要的是在训练过程中在任何时候进行模型评估。大约在60%的训练完成时，停止训练并评估模型，基于此，如果模型被批准，它将恢复训练。 如何实现上述场景？
浏览 23提问于2021-04-01得票数 0
2回答
特征选择和交叉验证
、、、、
我想训练一个回归模型，为了做到这一点，我使用随机森林模型。然而，我也需要进行特征选择，因为我的数据集中有太多的特征，我担心如果我使用了所有的特征，我就会过度拟合。为了评估我的模型的性能，我还执行了5折交叉验证，我对以下两种方法的问题是正确的，为什么？
1-如果我将数据分成两半，在前半部分进行特征选择，并使用这些选择的特征在剩余的一半上进行5折叠交叉验证( CV ) (在这种情况下，5 CV将使用完全相同的选择特征)。
2-执行以下步骤：
1-将数据分成4/5用于训练，1/5用于测试2-将此训练数据(完整数据的4/5 )分成两半: a-)在前半部分训练模型并使用训练后的模型进行特征选择。b-)使
浏览 1提问于2013-10-29得票数 5
2回答
当我们关心速度的时候，GPU比CPU好得多。。
但是，如果我在GPU上训练一个模型，然后在CPU上部署同样经过训练的模型(不使用量化技术)，这会影响我的模型的准确性吗？同一模型在CPU上的精度会下降吗？
我的直觉说，GPU和CPU之间的关系，如果涉及到精度，就不应该有任何区别。
但我有一点怀疑，GPU和CPU内部处理信息的方式各不相同。他们都有不同的建筑。当模型在GPU上进行训练时，在CPU上训练时是否会发生完全相同的处理方式，但速度要慢得多呢？我不关心训练时的准确性，但如果一个模型是在GPU上训练的，它在CPU上的性能是否完全相同？
浏览 0提问于2021-05-27得票数 0
回答已采纳
1回答
我用tensorflow格子中的Keras预先制作的模型，使用python3.7构建了自己的模型，并保存了经过训练的模型。然而，当我使用经过训练的模型进行预测时，预测每个数据点的速度都在毫秒级，这似乎非常缓慢。有什么方法可以加快tfl的预测过程吗？
浏览 0提问于2021-04-21得票数 0
回答已采纳
在有监督学习中，原始数据分为三部分:训练数据集、验证数据集和测试数据集。
训练数据集用于训练模型。
测试数据集用于最终评估模型，因此不会在训练过程中使用。
我认为，验证数据集用于在训练时调整模型的参数。
我想知道的是验证数据集是否用于训练。它是用来计算权重和偏差的吗？
浏览 27提问于2020-02-29得票数 1
1回答
我目前正在Cifar10数据集上训练一个常规网络。假设我有5万张训练图像和5000张验证图像。
为了开始测试我的模型，假设我只从10,000张图像开始，来了解模型的成功程度。
经过40个时代的训练和一个128批大小的每一个时代，我运行我的优化，以尽量减少损失10,000 / 128次，在一批128张图片(SGD)。
现在，假设我找到了一个在验证集上达到70%准确性的模型。满意后，我继续进行全套训练。
这一次，对于每一个时代，我运行优化器，使损失最小化5* 10,000 / 128 ~ 391次。
这使我认为，我在每一个时代的准确性应该比在有限的10,000集上更高。令我非常沮丧的是，有限训练集
浏览 8提问于2017-03-25得票数 0
回答已采纳
我有几列数据，我计划用来训练一个ANN回归模型。大多数列的值从0到10,000.00不等，但是一个特定列的值总是在[0,1]范围内，并且精度可达小数点10位，例如。价值：0.1582639672.通常，我会使用来自sklearn.preprocessing的sklearn.preprocessing类将数据集的所有值规范化为[0,1]范围，但是，当将规范化应用于这一特定列时，可能会导致精度损失。
用10位精度对浮点数进行归一化会不会产生一个“进一步规范化”的值，超过所能表示的最高数字精度，从而导致数据丢失？
浏览 2提问于2021-02-20得票数 0
回答已采纳
1回答
正如标题所述，我正试图找到一种方法，用step函数来比较两种在酿酒师中受过训练的模型。当前的周期是这样的:开始训练，保存模型，运行lambda，检查准确性是否大于90 %，是否满足:开始批处理作业，如果未满足:周期终止。我想要部署的是一个解决方案，而不是比较90%的准确性，这是比较之前的培训。我目前正在使用Step函数数据科学SDK。
浏览 13提问于2022-04-04得票数 0
这可能是一个愚蠢的问题，但希望有人告诉我是或不是。
假设我在Tensorflow中有一个LSTM网络，并且正在使用Adam Optimizer训练它，通过在训练期间为X和Y变量提供一组X和Y dict来最小化成本函数，然后在同一会话中，为变量提供新的X和Y dict以进行测试，Tensorflow是自动使用在训练期间找到的最佳模型(即使用在训练期间带来最低成本值的权重)，还是仅使用其运行中的最新模型(即最新的时期)？
想知道当达到新的较低成本值时，是否需要设置model.saver函数来捕获最佳模型，关闭当前会话，然后使用保存的模型重新打开一个新模型，或者是否可以假设，当我在与训练相同的会话中
浏览 19提问于2019-11-05得票数 1
回答已采纳
1回答
我正在使用Renyi (-differential) PyTorch隐私，这是在PyTorch DNN中实现的。我这样做是为了保证培训集的隐私达到ε的程度。为了实现这一点，我使用。随着网络对训练集的适应程度越来越高，训练精度不断提高，网络的保密性逐渐降低。然而，在某个转折点上，隐私降低了，精度也降低了；我认为，由于在一批训练数据上增加了太多的(隐私)噪声，并且/或因为它覆盖了训练集，所以这种精度最终会下降。
现在，我想要实现的是:我想要训练一个模型，以达到(ε，δ)ε，δ隐私的不同值ε(即0.5，1，1.5，2)。请注意，ε值越大，模型所保证的隐私就越少。在理想情况下，随着ε的增加，精度会提高
浏览 0提问于2020-06-01得票数 3
1回答
我在Mnist上训练了一个keras模型，保持训练和模型超参数相同。训练和验证数据是完全相同的。在不同的训练阶段，我得到了五种不同的准确率- 0.71，0.62，0.59，0.52，0.46。该模型每次从头开始训练8个时期。
代码如下：
def train():
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Dense(10, activation="softmax"))
model.compile(loss='categorical_crossent
浏览 0提问于2019-01-23得票数 0
因为我是在同一个循环中训练和测试的(对于training set上的每个时期，网络都应用于整个validation set)。
现在，我在某个时刻(第n个时期)得到的最高验证精度是我的网络的最高精度，这有意义吗?或者我应该只在图形稳定并且权重不变的情况下使用验证精度吗？
浏览 2提问于2020-10-07得票数 0
我已经搜索了一段时间，但似乎Keras只有经过训练后才具有量化特性。我希望在我的Keras序列模型中添加Tensorflow伪量化。根据Tensorflow的doc，我需要这两个函数来做假量化: tf.contrib.quantize.create_training_graph()和tf.contrib.quantize.create_eval_graph()。我的问题是，是否有人在Keras模型中添加了这两个函数？如果是，应在哪里增加这两个功能？例如，在model.compile之前，还是在model.fit之后，还是其他地方？提前谢谢。
浏览 2提问于2018-09-17得票数 2
回答已采纳
我当时正在读伯特的论文，但是我没有找到任何关于训练前蒙面语言模型的表现的表格。有谁知道伯特蒙面语言模型的准确性吗？
浏览 0提问于2020-09-16得票数 1
1回答
验证和测试的准确性差别很大
、、、、
我目前正在处理kaggle中的一个数据集。在训练了训练数据的模型后，我在验证数据上对其进行了测试，得到了0.49左右的准确率。
然而，相同的模型在测试数据上的准确率为0.05。
我使用神经网络作为我的模型
那么，发生这种情况的可能原因是什么，以及如何开始检查和纠正这些问题？
浏览 3提问于2018-02-10得票数 10
回答已采纳
我有一个数据集在列车，测试和验证分裂分开。
在每个时代之后，我将评估验证分割中的损失和准确性。
当验证分割中的损失不佳时，我停止训练，并选择它作为最终模型。
但是，我应该把训练和验证作为最终模型吗？我怎样才能选择最好的模特？
浏览 0提问于2019-08-26得票数 3
1回答
差分隐私显着降低了模型性能
、、、、
背景信息
我训练了一个分类器来预测三个标签:基于胸部X线图像的COVID/肺炎/健康。它是PyTorch实现的。我使用一个训练集来训练，使用验证集来保存性能最好的模型，然后使用一个测试集来衡量模型的“真实”性能。然而，我注意到我的模型“学会了”对正常/肺炎进行分类非常好，但它忽略了人口不足的COVID集。因此，我选择样本不足(减少其他课程(正常和肺炎)的培训实例数量，以获得平等的群体)。这是很好的工作，但我的样本集已经减少到1500个样本(低！)结果比COVID差一些，我对人口不足的类(COVID)获得了80%的精度和较低的敏感性。我认为它们报告了更好的性能，因为它们不使用验证集，并且使用每个
浏览 0提问于2020-06-07得票数 2
2回答
我有一个模型，我训练了100个时代：
然后，我将模型保存起来，并将其训练到另一个100个时代(总共200个时代)：
我的问题是，我的模特是不是太合适了？是最优的吗？
浏览 2提问于2021-01-26得票数 0
回答已采纳
3回答
我正在使用Keras。我正在训练我的神经网络，并使用提前停止。我的耐心是10，验证损失最小的时期是15。我的网络运行到25个时期，然后停止，但如果我理解正确，我的模型是具有25个时期的模型，而不是15
有没有简单的方法可以恢复到15个时期的模型，或者我需要重新实例化模型并运行15个时期？
浏览 11提问于2019-07-05得票数 1
回答已采纳
1回答
为了提高训练模型的延迟性，我尝试使用Tensorflow混合精度。
正如中提到的那样，仅仅设置策略似乎并不能提高模型的速度：
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import mixed_precision
policy = mixed_precision.Policy('mixed_float16')
mixed_precision.set_global_policy(policy)
但是
浏览 3提问于2021-11-14得票数 0
1回答
我正在使用CNN在Chainer中对细胞图像进行分类。随着主/训练精度的提高，模型的验证精度也在下降。我想知道为什么验证准确率在下降，有什么方法可以提高验证准确率。 数据形状为( 32，3，60，80)，其中32是批量大小，3是通道，60和80分别是高度和宽度。 我已经在除最后一层之外的所有层中应用了relu和dropout。在该模型中，即使在50个时期之后，训练和验证精度也是不变的。下面给出的模型显示主/训练精度从0.78逐渐增加到0.98，验证精度在100个时期后从0.79变化到0.66。 model = Sequential(
L.Convolution2D(None, 128
浏览 24提问于2019-01-08得票数 1
回答已采纳
1回答
我已经创建了一个CNN模型，可以用来区分狗和猫。在训练过程中，我的模型在4/25纪元结束时显示出99%的训练精度和81%的测试精度。这是正常的吗？或者，在完成所有的时期后，是否会出现任何问题？ 因此，我需要使用这个CNN模型来输入不属于我的测试集训练的新输入。如何使用我的模型来预测一些新照片？ 我没有使用过classifier.save( )，所以在训练之后，我可以只使用该命令来保存模型吗？或者我必须在最后用clssifier.save()重新编译所有的东西？ # Part 1 - Building the CNN
# Importing the Keras libraries and p
浏览 20提问于2019-08-30得票数 0
1回答
我刚刚完成了CNN二元分类模型的训练。后来创建了两个图表，但由于我对机器学习非常陌生，所以我不了解它们的状态。有人能告诉我我的模型性能好吗。谢谢。
📷
📷
浏览 0提问于2022-10-12得票数 0
1回答
根据我对机器学习的理解(尽管我对机器学习非常陌生)，需要在训练过程中对模型进行评估。这将避免过度拟合或减少错误预测的可能性。
我尝试修改Tensorflow官方网站提供的鲍鱼示例，以适应我的项目，我发现代码只在模型训练完成后进行一次评估。
这对我来说非常奇怪，因为只有一次评估似乎使“评估阶段”变得无用。换句话说，如果培训已经完成，那么评估有什么用呢？它不能帮助建立一个更好的模型，不是吗？
下面是我的代码的一部分：
nn = tf.estimator.Estimator(model_fn=model_fn, params=model_params, model_dir='/tmp/nm
浏览 0提问于2018-06-30得票数 2
1回答
我有一个时间序列数据，它使用GDBT来预测下一个值。我总是用前30天的数据来进行每天的训练，但是加班时预测和训练的数据因为组合物的数量增加而增加。
我的问题是，我们需要多久调一次我们的模型？对于超参数的调优，哪一种数组合被认为是足够的? 50? 100？还是只要10个就够了？
现在我每天都这么做，但它变得越来越昂贵，以前它只是10分钟左右，但现在大约超过一个小时。系统需要每小时做其他事情，因此这个超调模型将成为系统的死锁。
浏览 0提问于2019-07-29得票数 0
我正在试图理解在时代结束时，角化进度栏中所显示的"acc“的准确性是什么：
13/13 ============================== -0 76 0s /步进损失: 0.7100 - acc：0.4615
在一个时代的最后，应该是所有训练样本的模型预测的准确性。然而，当模型在相同的训练样本上进行评估时，实际的精度可能会有很大的不同。
下面是的改编示例。一种简单的顺序神经网络是对随机生成的数字进行二进制分类。批次大小与训练示例(13)的数量相同，因此每个时期只包含一个步骤。由于损失设置为binary_crossentropy，因此精度计算采用中定义的binary_
浏览 0提问于2019-07-11得票数 1
回答已采纳
1回答
从我在中可以看到的是，H2O只支持GBM，DRF，XGBoost模型的校准，并且必须在训练阶段之前指定。
我觉得这很让人困惑。如果校准是一个后处理步骤，并且是模型不可知的，那么是否可以校准使用H2O训练的任何模型，即使在训练过程完成之后也是如此？
目前，我正在处理一个使用训练的模型。即使它是一个GBM模型，我也不能通过提供一个calibrate_model参数来轻松地校准它，因为AutoML不支持它。我也看不到任何在训练后校准它的选项。
有没有人知道校准已经训练好的H2O模型的简单方法？是否有必要使用诸如Platt scaling之类的算法“手动”校准它们，或者有没有一种方法可以在不使用任何额
浏览 1提问于2021-05-19得票数 2
1回答
我正在尝试将keras模型转换为tflite量化模型，这样我就可以在coral TPU上运行我的模型，但我的keras模型和tflite模型的输出明显不同。
红点是量化的tflite模型输出，蓝点是原始keras模型输出。
下面是我将keras模型转换为量化tflite模型的代码：
quant = True
gc.collect()
import tensorflow as tf
import numpy as np
import pathlib
print(tf.__version__)
converter = tf.lite.TFLiteConverter.from_keras_
浏览 4提问于2020-05-28得票数 1
1回答
电杆的深度学习-Detect特性
、、、、
我正在开发一个应用程序，它只需要2到3张照片就可以探测到电杆的所有可见特征，
探测杆子的类型及其特点：
在墓碑上阅读有用的文本(并不需要所有文本)：
我必须在浏览器上直接检测到这一点，所以我计划在前端使用tensorflow.js。
1-应该创建一个新的模式，还是训练一个经过培训的模型？对于这种形象，我应该使用什么样的预先训练的模型。
2-有可能检测电缆的数量及其类型吗？
3-对于雕刻部分，大多数情况下，文字是不可读的，即使是对人类的眼睛。有没有可能训练他读这篇文章？
谢谢!
浏览 1提问于2020-09-25得票数 1
回答已采纳
1回答
我正在尝试基于Keras中的InceptionV3架构来训练一个分类器。为此，我加载了预训练的InceptionV3模型，没有顶部，并为分类问题的类添加了一个最终的完全连接层。在第一次训练中，我冻结了InceptionV3基模型，只训练了最终完全连接的层。
在第二步中，我希望通过解冻InceptionV3模型的一部分来“微调”网络。现在我知道InceptionV3模型广泛地使用了BatchNorm层。建议()，当BatchNorm层在传递学习时“解冻”以进行微调，以保持由BatchNorm层计算的均值和方差固定。这应该通过将BatchNorm层设置为推理模式而不是训练模式来完成。请参阅：
现在
浏览 1提问于2021-04-01得票数 0
我有一个ML模型，它需要X秒才能检测到在训练对象的图像中的对象。这是否意味着在每幅图像的训练过程中至少要花费X或X+Y几秒钟？，您能提供详细的见解吗？
例如，假设SSD512模型在硬件平台上的训练速度为每秒30幅图像，这是否意味着我能够达到至少(如果不是超过)每秒30幅图像的推理速度？
这个问题并不局限于神经网络模型。一般的洞察力是值得赞赏的。在我的情况下，我正在处理级联分类器。我正在加载一个经过cascade.xml训练的模型来检测一个对象。我想知道训练图像所需的时间和加载训练模型后检测对象所需的时间之间的关系。
浏览 4提问于2017-12-16得票数 0
2回答
所以在我昨天用model.save('path')保存了我的模型后，我今天才发现TF2.3和keras保存模型有一些问题。这里已经描述了问题：。但公认的解决方案对我没有帮助。当我使用model = tf.keras.models.load_model('path')加载模型时，它返回的测试精度比保存它之前要低。使用
model.compile(optimizer = SGD(lr = 1e-3, momentum = 0.9, decay = 1e-6), #RMSProp
loss = 'binary_crossentropy
浏览 2提问于2021-08-04得票数 1
我有python脚本，它训练了一个用于情感分析的数据集，并使用logisticRegression模型和tfidf、交叉验证、bigram和GridSearchCV创建了一个模型。对文本执行预处理阶段。
为了比较这两种模型，我尝试使用预先训练过的模型，如VaderSentiment。
根据实际数据得出的结果是：
logisticRegression精度: 64.2%VaderSentiment精度: 85.7%
那么，我训练的模型中的错误在哪里呢？还是用vaderSentiment来分析推特的情绪比较好？
注意，在我的训练结果中，我得到了：
Accuracy: 91.482%
Best par
浏览 2提问于2020-07-28得票数 0
我对Tensorflow对象检测API有一些疑问。希望有人能帮我..。在此之前，我需要提到的是，我正在跟踪正在做的事情。基本上，台阶都是他的。
第一疑问：，为什么我们需要test.record来训练？它在训练中做了什么？
第二个疑问： Sendex正在从test.record获得图像来测试新训练的模型，难道模型不知道这些图像是来自test.record吗？
第三个疑问：在什么样的场合下需要激活drop_out (在.config文件中)？
浏览 0提问于2018-04-03得票数 1
回答已采纳
我正在训练一个做图像字幕的模型。我注意到我的模型在第一个时期获得了非常高的训练精度(大约89%)以及验证精度。实际上，训练精度从第一个时期的开始就处于一个非常高的水平，它从%60左右开始，很快就上升到%80。这对我来说没有意义，因为模型学习非常快，一开始就有很高的准确性。
浏览 15提问于2018-08-02得票数 0
回答已采纳
2回答
我正在使用Blender渲染一个模型。模型由其位置发生变化的相机捕获。然后，我将图像写入一个文件。如何在图像中找到边界框，以便此框可用于对训练对象检测模型有用的注释？
浏览 0提问于2016-01-17得票数 3
回答已采纳
1回答
在我的神经网络模型的模型精度图中，训练和测试显示了一条陡峭的曲线，高达50个时期，之后平行运行到1500个时期。在某一点上的分叉意味着模型在该点之外过度拟合，这是正确的吗？如果是这样，那么我的模型在1500个时期都没有分叉点。我没有尝试超过1500个时期。我应该测试更多的时期来获得分叉点，还是应该得出模型是完美的结论？提前谢谢。
浏览 13提问于2019-11-26得票数 0
回答已采纳
1回答
我在理解如何实现交叉验证方面遇到了一些困难。在我的例子中，我试图将它应用到LVQ系统中。这就是我目前所理解的..。
可以为LVQ调整的参数之一是为每个类建模的原型数量。为了找到最佳的原型数量，必须对训练数据进行模型训练，然后对未见数据进行测试并计算其性能。但是，根据用于培训和验证的数据点，性能结果将有所不同。因此，交叉验证可以用来获得性能的平均值。
您可以对不同数量的原型重复此操作，并查看哪个数量获得最佳平均值。一旦完成了，接下来你会做什么？您是在整个训练集上生成一个新的模型，对应于获得最佳效果的原型数量，还是使用与交叉验证中获得最高精度的折叠对应的模型？
浏览 1提问于2015-12-30得票数 1
回答已采纳
2回答
检查过拟合
、、、、
我希望确保我的模型不会过度拟合。我使用交叉验证检查了过拟合。所有折叠的结果都是close.But的，同时我检查了训练和测试预测。测试大小为0.25。而且训练和测试预测是如此不同。这表明我的模型过拟合了。我应该相信哪个结果？交叉验证或测试/训练prediction.Is我的模型过拟合？
注意:我使用的是python。Sklearn用于交叉验证、训练测试拆分和建模
浏览 0提问于2020-03-10得票数 0
我正在使用tf.estimator API来训练模型。
据我所知，model_fn定义了计算图，它根据mode返回不同的tf.estimator.EstimatorSpec。
在mode==tf.estimator.ModeKeys.TRAIN中，可以指定要在每次训练迭代中调用的train_op，这反过来会改变tf.Variable的trainable实例，以优化特定的损失。
让我们调用optimizer__，和变量，A，和 B__.
为了加速预测和评估，我希望有一个辅助的不可训练的tf.Variable张量tf.Variable完全依赖于已经训练的变量。因此，这个张量的值是可以导出的。此张量
浏览 0提问于2018-05-18得票数 2
回答已采纳
1回答
所以我最近做了一个数据科学项目，这是一个多类分类。这个项目可以找到https://www.kaggle.com/c/otto-group-product-classification-challenge。
数据集是一个不平衡的数据集，具有93个特征和9个可能的结果(目标)。
由于我们不知道这些特性中的任何一个是什么，所以我们不知道目标代表什么样的类别，所以我不确定在训练模型之前平衡数据是否有意义。
因此，我只是用这两种方法来训练我的每个测试模型，一次用平衡的数据集，一次用不平衡的数据集。
我尤其是这样做的：
为培训和测试做一个简单的80/20拆分，以创建一个不平衡的数据和培训集
index &
浏览 0提问于2021-10-22得票数 0
回答已采纳
我是Tensorflow的新手，并且已经遵循了这个简单的花朵图像分类器指南https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0。因此，现在我有了一个图形文件"retrained_graph.pb“和一个文本文件"retrained_labels.txt"，我想继续训练该模型，以区分更多的花(和其他对象)，并用旧花类别中的更多图像进行训练。如何在不重新训练整个最后一层的情况下继续训练模型。同样，我是Python和Tensorflow的新手，所以如果我说错了什么，请纠正我。
浏览 6提问于2019-01-15得票数 0
回答已采纳
2回答
这是个过分合适的例子吗？
、、、
在大约100个时代之后，培训一个深度学习模式：
Train accuracy : 93 %
Test accuracy : 54 %
然后训练精度提高，测试精度下降：
Train accuracy : 94 %
Test accuracy : 53 %
Train accuracy : 95 %
Test accuracy : 52 %
Train accuracy : 96 %
Test accuracy : 51 %
对于模型的初始版本，我们满足了54%的精度，但是我不知道训练精度增加的意义，测试精度的下降除了模型是过拟合的。当达到最大测试精度时，我是否应该停止训练模型并使用经过训练的参
浏览 0提问于2018-09-07得票数 0
回答已采纳
1回答
我正在使用Keras loss='binary_crossentropy'、optimizer=tf.keras.optimizers.Adam进行二进制分类，最后一层是keras.layers.Dense(1, activation=tf.nn.sigmoid)。
据我所知，loss值被用于评估训练阶段的模型。但是，当我将Keras模型评估用于测试数据集(例如，m_recall.evaluate(testData,testLabel) )时，也存在loss值，并伴随着类似下面的输出的accuracy值。
test size: (1889, 18525)
1889/1889
浏览 0提问于2018-11-27得票数 5
回答已采纳
1回答
是否有必要对图像进行预处理，就像在我们的精细模型中对预先训练过的模型进行训练时一样，将其用于不同的分类任务？比方说，我有一个预先训练过的VGG16模型，我正在准备将它用于不同的分类任务？现在，在将我的数据集输入到这个精巧的模型之前，我应该使用vgg16.preprocess_input()来对这个数据集进行培训，还是可以使用自己的preprocess_input？
浏览 0提问于2019-01-23得票数 0
全。目前，我正在使用1990年的人口普查作为数据集( Aurélien Géron在他的书中使用的同样的数据集)来预测中位数房屋价值。
到目前为止，我的最好成绩是训练集和~0.80，以及带套袋回归器的测试集的评分为0.96。以下是我一直在做的事情：
precisao_treino = clf.score(dados_treino_feat,dados_treino_targ) #training score
precisao_valid = clf.score(dados_valid_feat,dados_valid_targ) #test score
(0.96988804654694
浏览 0提问于2019-05-27得票数 2
2回答
我目前正在创建一个模型，在创建模型的同时，我提出了一些问题。使用相同的数据多次训练相同的模型会不会提高这些对象的精度，因为您每次都会对它进行训练吗？当对象有时达到90%的精度时，当我重新运行它时，它的精度会降低，甚至不能预测正确的对象，那么会有什么问题呢？是因为Tensorflow在GPU上运行吗？
浏览 3提问于2020-05-13得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
