神经网络训练中一个时代的意义
artificial-intelligence
machine-learning
neural-network
5
0

当我在阅读如何在pybrain中构建ANN时,他们说:

对网络进行一些培训。通常您会在此处设置大约5

trainer.trainEpochs( 1 )

我寻找的是什么意思,然后得出结论,我们使用一个时期的数据来更新权重,如果我选择以5个时期作为pybrain建议来训练数据,则数据集将被分为5个子集,加权数将更新最多5次。

我熟悉在线训练,每个样本数据或特征向量后都会更新权重,我的问题是如何确保5个纪元足以建立一个模型并设置权重?这种方式对在线培训有什么优势?在线培训中还使用了“时代”一词,这是否意味着一个特征向量?

参考资料:
Stack Overflow
收藏
评论
共 1 个回答
高赞 时间 活跃

一个时期包括一个完整的训练周期。一旦看到集合中的每个样本,您就重新开始-标记第二个纪元的开始。

这与批量或在线培训本身无关。批处理意味着您在时代的结束( 每个样品被视为后,即#epoch更新)和网上说你每次 取样后更新(#SAMPLES * #epoch更新)更新一次

您无法确定5个纪元或500个纪元是否足以收敛,因为它会因数据而异。当错误收敛或低于某个特定阈值时,您可以停止训练。这也进入了防止过度拟合的领域。您可以阅读有关提前停止交叉验证的信息。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号