對(duì)數(shù)據(jù)集訓(xùn)練時(shí)，只對(duì)訓(xùn)練集進(jìn)行訓(xùn)練還是都訓(xùn)練？如果你想測(cè)試你自己的數(shù)據(jù)集，你需要把它分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。我們訓(xùn)練機(jī)器學(xué)習(xí)模型使用現(xiàn)有數(shù)據(jù)預(yù)測(cè)未知數(shù)據(jù)。我們通常把模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力稱為泛化

對(duì)數(shù)據(jù)集訓(xùn)練時(shí)，只對(duì)訓(xùn)練集進(jìn)行訓(xùn)練還是都訓(xùn)練？

如果你想測(cè)試你自己的數(shù)據(jù)集，你需要把它分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。

我們訓(xùn)練機(jī)器學(xué)習(xí)模型使用現(xiàn)有數(shù)據(jù)預(yù)測(cè)未知數(shù)據(jù)。我們通常把模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力稱為泛化能力。為了評(píng)價(jià)模型的泛化能力，通常將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用來(lái)訓(xùn)練模型，測(cè)試集用來(lái)評(píng)價(jià)模型的泛化能力。

這里有幾點(diǎn)需要注意：

通常80%的數(shù)據(jù)集用作訓(xùn)練集，20%用作測(cè)試集；

通常我們需要在開(kāi)始構(gòu)建模型之前劃分?jǐn)?shù)據(jù)集，以防止數(shù)據(jù)窺探錯(cuò)誤，也就是說(shuō)，我們應(yīng)該避免過(guò)多地了解測(cè)試集的樣本特征，并且防止我們選擇對(duì)測(cè)試集數(shù)據(jù)有幫助的模型，這將導(dǎo)致過(guò)度的結(jié)果，一般來(lái)說(shuō)，我們?cè)诮⒛Ｐ蜁r(shí)需要對(duì)數(shù)據(jù)進(jìn)行處理，包括一些數(shù)據(jù)清洗、數(shù)據(jù)特征縮放（標(biāo)準(zhǔn)化或規(guī)范化）。此時(shí)，我們只需要對(duì)訓(xùn)練集執(zhí)行這些操作，然后將從訓(xùn)練集獲得的參數(shù)應(yīng)用到測(cè)試集，也就是說(shuō)在工作流中，您不能使用在測(cè)試數(shù)據(jù)集上計(jì)算的任何結(jié)果。例如，我們得到的屬性中可能缺少值，因?yàn)樵谶@些操作之前，我們已經(jīng)將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。通常的做法是通過(guò)計(jì)算屬性值的中值來(lái)填充缺少的值。請(qǐng)注意，屬性值的中值是由訓(xùn)練集中的數(shù)據(jù)計(jì)算的。當(dāng)我們得到一個(gè)模型時(shí)，如果你想在模型的測(cè)試誤差要被測(cè)試到近似泛化誤差的時(shí)候，測(cè)試集中可能會(huì)有一些缺失的值。此時(shí)，由訓(xùn)練集計(jì)算的中值填充相應(yīng)屬性的缺失值。

用同一數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，每次訓(xùn)練結(jié)果不一樣，有時(shí)正確率很高，有時(shí)很低，為什么？

其實(shí)這個(gè)問(wèn)題的實(shí)質(zhì)是，如果我們用機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)集上的數(shù)據(jù)模型進(jìn)行一次訓(xùn)練，保存模型，然后用同樣的算法和同樣的數(shù)據(jù)集以及數(shù)據(jù)排序?qū)ζ溥M(jìn)行再次訓(xùn)練，那么第一個(gè)模型和第二個(gè)模型是一樣的嗎？

這可能是因?yàn)樯窠?jīng)網(wǎng)絡(luò)用增益或權(quán)重的隨機(jī)值初始化，然后每個(gè)模擬在訓(xùn)練階段有不同的起點(diǎn)。如果您希望始終保持相同的初始權(quán)重，可以嘗試為初始權(quán)重修復(fù)種子以消除問(wèn)題。

如果我們深入研究這個(gè)問(wèn)題，我們可以根據(jù)ml算法的“確定性”來(lái)對(duì)其進(jìn)行分類。當(dāng)從同一個(gè)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)：

一個(gè)是總是生成相同的模型，并且記錄以相同的順序呈現(xiàn)；

另一個(gè)是總是生成不同的模型，并且記錄順序不同。

在實(shí)踐中，大多數(shù)是“不確定的”。模型變化的原因可能是機(jī)器學(xué)習(xí)算法本身存在隨機(jī)游走、不同權(quán)值的隨機(jī)初始化、不同分量的概率分布抽樣來(lái)分配優(yōu)化函數(shù)。

雖然模型的“不確定性”可能會(huì)對(duì)單個(gè)訓(xùn)練結(jié)果造成干擾，但我們也可以用“不確定性”來(lái)確認(rèn)模型的穩(wěn)定性，如決策樹(shù)、支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)等，最終可以通過(guò)多次迭代來(lái)確認(rèn)模型的穩(wěn)定性。

怎樣使用自己的數(shù)據(jù)集訓(xùn)練resnet？

1. 在Windows 2下使用CPU-Z進(jìn)行檢查。開(kāi)始自檢時(shí)，快速按鍵盤(pán)上的暫停鍵，可以看到CPU的頻率和核數(shù)（雙核以上的CPU，一般會(huì)顯示兩行或四行CPU的型號(hào)和頻率）。三。如果在開(kāi)始自檢時(shí)顯示主板品牌的徽標(biāo)或名稱，請(qǐng)按tab鍵并使用暫停鍵查看第二項(xiàng)。