linux find命令详解 对数据集训练时，只对训练集进行训练还是都训练？
对数据集训练时，只对训练集进行训练还是都训练？
如果你想测试你自己的数据集，你需要把它分成训练集、验证集和测试集。
我们训练机器学习模型使用现有数据预测未知数据。我们通常把模型对未知数据的预测能力称为泛化能力。为了评价模型的泛化能力，通常将数据分为训练集和测试集。训练集用来训练模型，测试集用来评价模型的泛化能力。
这里有几点需要注意：
通常80%的数据集用作训练集，20%用作测试集；
通常我们需要在开始构建模型之前划分数据集，以防止数据窥探错误，也就是说，我们应该避免过多地了解测试集的样本特征，并且防止我们选择对测试集数据有帮助的模型，这将导致过度的结果，一般来说，我们在建立模型时需要对数据进行处理，包括一些数据清洗、数据特征缩放（标准化或规范化）。此时，我们只需要对训练集执行这些操作，然后将从训练集获得的参数应用到测试集，也就是说在工作流中，您不能使用在测试数据集上计算的任何结果。例如，我们得到的属性中可能缺少值，因为在这些操作之前，我们已经将数据集划分为训练集和测试集。通常的做法是通过计算属性值的中值来填充缺少的值。请注意，属性值的中值是由训练集中的数据计算的。当我们得到一个模型时，如果你想在模型的测试误差要被测试到近似泛化误差的时候，测试集中可能会有一些缺失的值。此时，由训练集计算的中值填充相应属性的缺失值。
用同一数据集训练神经网络，每次训练结果不一样，有时正确率很高，有时很低，为什么？
其实这个问题的实质是，如果我们用机器学习算法对数据集上的数据模型进行一次训练，保存模型，然后用同样的算法和同样的数据集以及数据排序对其进行再次训练，那么第一个模型和第二个模型是一样的吗？
这可能是因为神经网络用增益或权重的随机值初始化，然后每个模拟在训练阶段有不同的起点。如果您希望始终保持相同的初始权重，可以尝试为初始权重修复种子以消除问题。
如果我们深入研究这个问题，我们可以根据ml算法的“确定性”来对其进行分类。当从同一个数据集进行训练时：
一个是总是生成相同的模型，并且记录以相同的顺序呈现；
另一个是总是生成不同的模型，并且记录顺序不同。
在实践中，大多数是“不确定的”。模型变化的原因可能是机器学习算法本身存在随机游走、不同权值的随机初始化、不同分量的概率分布抽样来分配优化函数。
虽然模型的“不确定性”可能会对单个训练结果造成干扰，但我们也可以用“不确定性”来确认模型的稳定性，如决策树、支持向量机（SVM）、神经网络等，最终可以通过多次迭代来确认模型的稳定性。
怎样使用自己的数据集训练resnet？
1. 在Windows 2下使用CPU-Z进行检查。开始自检时，快速按键盘上的暂停键，可以看到CPU的频率和核数（双核以上的CPU，一般会显示两行或四行CPU的型号和频率）。三。如果在开始自检时显示主板品牌的徽标或名称，请按tab键并使用暂停键查看第二项。
linux find命令详解 yolov4训练自己的数据 yolov3训练自己的数据超详细
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
