So erhöhen Sie die Validierung der Genauigkeit, mit tief in das neuronale Netz?
Ich versuche zu bauen, ein 11 Klasse Bild Klassifizierer mit 13000 training Bilder und 3000 Validierung Bilder. Ich bin mit tiefen neuronalen Netzes, welches trainiert mit mxnet. Ausbildung Genauigkeit nimmt zu und erreicht oberhalb von 80% aber die Validierung der Genauigkeit wird im Bereich von 54-57%, und Ihr nicht erhöht werden.
Was kann hier das Problem? Sollte ich erhöhen, die keine Bilder?
- Hat der Validierung die Genauigkeit erhöhen, Schritt für Schritt, bis es behoben haben bei 54-57%. Oder war es fast das gleiche von Anfang an?
- Keine überprüfung der Genauigkeit wurde die Erhöhung Schritt für Schritt und dann wurde es behoben, bei 54-57%
- wie hast du die Berechnung der Trainings-Genauigkeit? Hast du berechnen für jede Partie, die Sie mit Ihnen trainiert? Oder für das gesamte training gesetzt?
Du musst angemeldet sein, um einen Kommentar abzugeben.
Das Problem hier ist, dass Ihr Netzwerk stoppen Sie lernen nützliche Allgemeine Funktionen irgendwann auf und beginnen die Anpassung an den Besonderheiten Ihres Trainings-set (overfitting es in Folge). Sie wollen 'Kraft' Ihrem Netzwerk zu halten, lernen nützliche Funktionen und Sie haben einige Möglichkeiten hier:
Leider ist der Prozess der Ausbildung Netzwerk, das verallgemeinert auch mit viel Experimentieren und fast brute-force-exploration des parameterraums mit ein bisschen menschlicher Aufsicht (du wirst sehen, viele Forschungsarbeiten mit Hilfe dieses Ansatzes). Es ist gut, zu versuchen 3-5 Werte für die einzelnen parameter und sehen, wenn es führt Sie irgendwo.
Wenn Sie Experimentieren Grundstück Genauigkeit /Kosten /f1 als Funktion der Anzahl der Iterationen und sehen, wie es sich verhält. Oft werden Sie feststellen, ein Höhepunkt in der Genauigkeit für Ihr test-set, und nach, dass eine kontinuierliche drop. So sind neben guter Architektur, Regularisierung, Korruption usw. du bist auch auf der Suche nach einer guten Anzahl von Iterationen, das ergibt die besten Ergebnisse.
One mehr Hinweis: stellen Sie sicher, dass jede Ausbildung Epochen, mischen Sie die Reihenfolge der Bilder.
Dies deutlich sieht aus wie ein Fall, wo das Modell overfitting der Ausbildung festlegen, wie die Validierung der Genauigkeit-Verbesserung Schritt für Schritt, bis es behoben haben zu einem bestimmten Wert. Wenn die learning-rate war ein wenig mehr hoch, Sie würde haben landete er Bestätigung Genauigkeit abnimmt, mit Zunehmender Genauigkeit, die für die Ausbildung eingestellt.
Erhöhung der Anzahl der training-set ist die beste Lösung für dieses problem. Sie könnten auch versuchen, die Anwendung verschiedener Transformationen (spiegeln, zuschneiden zufällige Teile von einem etwas größeren Bild), um das vorhandene Bild legen und sehen, ob das Modell das lernen besser.