档案 | 深度学习性能

建模平均集成将每个模型的预测平均组合，通常比单个模型在平均性能上更好。有时我们希望一些非常好的模型在集成预测中贡献更多，而一些可能有用但技能较差的模型贡献更少，以 […]

当训练数据集相对于未标记样本数量较小时，预测建模问题会变得具有挑战性。神经网络可以在这些类型的问题上表现良好，尽管它们可能会在模型性能方面出现高方差，这可以通过在训练或保留验证数据集上进行测量。这使得选择使用哪个模型作为 […]

集成学习是将多个模型的预测组合起来的方法。在集成学习中，构成集成的模型都很重要，它们做出不同的预测错误。以不同方式预测好的结果可以产生比任何单个模型都更稳定、通常更好的预测 […]

深度学习神经网络模型是高度灵活的非线性算法，能够学习近乎无限的映射函数。这种灵活性的一个令人沮丧之处是最终模型的高方差。在同一数据集上训练的同一个神经网络模型每次都可能找到许多“足够好”的可能解决方案中的一个 […]

如何通过组合多个模型的预测来提高性能。深度学习神经网络是非线性方法。它们提供更高的灵活性，并且可以随着可用训练数据的量而扩展。这种灵活性的一个缺点是它们通过随机训练算法进行学习，这意味着它们对 […]

训练一个能够很好地泛化到新数据的深度神经网络是一个具有挑战性的问题。容量过小的模型无法学习问题，而容量过大的模型则可以学得太好而过拟合训练数据集。这两种情况都会导致模型泛化能力不足。一个 […]

向具有小训练数据集的欠约束神经网络模型添加噪声可以起到正则化作用并减少过拟合。Keras 通过一个名为 GaussianNoise 的单独层来支持添加高斯噪声。此层可用于为现有模型添加噪声。在本教程中，您将了解如何 […]

使用小型数据集训练神经网络可能会导致网络记住所有训练样本，进而导致过拟合和在保留数据集上性能不佳。考虑到高维输入空间的斑驳或稀疏采样，小型数据集也可能代表神经网络学习中的一个更难的映射问题 […]

训练神经网络的一个问题是选择训练的 epoch 数量。过多的 epoch 可能导致过拟合训练数据集，而过少的 epoch 可能导致模型欠拟合。提前停止是一种方法，它允许您指定任意大的训练 epoch 数量 […]

训练神经网络的一个主要挑战是训练多长时间。训练不足意味着模型将欠拟合训练集和测试集。训练过多意味着模型将过拟合训练数据集，并在测试集上表现不佳。一个折衷的方法是训练 […]