卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像數(shù)據(jù)很卡？我想你需要先確定你是使用CPU還是GPU。安裝tensorflow時，如果安裝了GPU版本，則使用默認(rèn)GPU。你可以在運行程序之前打開探測器。例如，Watch-n0.1n

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像數(shù)據(jù)很卡？

我想你需要先確定你是使用CPU還是GPU。安裝tensorflow時，如果安裝了GPU版本，則使用默認(rèn)GPU。你可以在運行程序之前打開探測器。例如，Watch-n0.1nvidiasmi（Ubuntu）命令可以用來檢測GPU。CPU和內(nèi)存系統(tǒng)（我不知道你用什么系統(tǒng)）也有可視化監(jiān)控程序。

程序卡，但還是可以運行的，我猜應(yīng)該是用CPU在計算時，內(nèi)存不夠，用虛擬內(nèi)存時，卡就多了。

如何判斷神經(jīng)網(wǎng)絡(luò)是否過度訓(xùn)練？

在機器學(xué)習(xí)中，如果訓(xùn)練樣本太少，訓(xùn)練步驟太多，訓(xùn)練模型容易出現(xiàn)過度訓(xùn)練，會記錄更多訓(xùn)練樣本的特征，忽略樣本間的共性挖掘。過度訓(xùn)練的特點是當(dāng)模型對訓(xùn)練樣本進(jìn)行線性回歸或分類時，損失很小，精度很高，甚至很快達(dá)到100%。但當(dāng)模型對測試樣本進(jìn)行驗證時，損失很大，精度嚴(yán)重降低。

為了解決過度訓(xùn)練的問題，首先將神經(jīng)網(wǎng)絡(luò)隱層中的部分神經(jīng)元按一定比例丟棄，以降低神經(jīng)元之間的連接強度；其次，對神經(jīng)網(wǎng)絡(luò)各層的訓(xùn)練參數(shù)進(jìn)行標(biāo)準(zhǔn)化，以防止變化過快，從而降低網(wǎng)絡(luò)性能減少訓(xùn)練次數(shù)；第三，實時檢測訓(xùn)練損失；第四，適當(dāng)增加訓(xùn)練樣本數(shù)，減少訓(xùn)練步數(shù)，也可以減少訓(xùn)練過度的問題。

神經(jīng)網(wǎng)絡(luò)計算棒的算力能與和GPU在機器學(xué)習(xí)/深度學(xué)習(xí)方面匹敵嗎？

不同于GPU顯卡、FPGA等大功率、高性能的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)備，神經(jīng)網(wǎng)絡(luò)計算棒往往利用訓(xùn)練好的模型來提供預(yù)測服務(wù)。與需要巨大計算能力的訓(xùn)練模型相比，預(yù)測服務(wù)的計算量大大減少。主要應(yīng)用場景是移動終端設(shè)備（如清掃機器人、送貨機器人等），受計算能力和功耗的制約，不能使用Wi-Fi模塊實時維護(hù)網(wǎng)絡(luò)，不能使用大功率GPU圖形卡。神經(jīng)網(wǎng)絡(luò)計算棒是最好的解決方案。