我正在观看有关机器学习的YouTube速成课程。
在3:35:50，他提到该模型可能过拟合，因此以较少的时期重新拟合。
由于他没有重新实例化模型，这是否等同于用相同的数据拟合模型，从而继续对其进行过度训练？
假设您已经创建了一个模型并且可以使用数据。
你跑：
model.fit(train_images, train_labels, epochs=10)
model.fit(train_images, train_labels, epochs=8)
这等于运行：
model.fit(train_images, train_labels, epochs=18)
要么：
model.fit(train_images, train_labels, epochs=8)
如果先前拟合的数据被覆盖，为什么model.fit第二次运行以先前模型的准确性开始？
在关于保存和训练模型的其他多个 问题中，可接受的解决方案是加载先前训练的模型，然后再次运行。 model.fit
如果这将覆盖先前存在的权重，这是否会破坏首先保存模型的目的？第一次在新数据上训练模型是否等效？
在多个相似数据集之间训练模型，同时又保持所有数据的准确性的合适方法是什么？
由于他没有重新实例化模型，这是否等同于用相同的数据拟合模型，从而继续对其进行过度训练？
你是对的！为了检查在他的示例中哪个时期更好，他应该重新编译网络（即再次执行上述单元格）。
请记住，通常，每当您再次实例化模型时，它很可能将从全新的权重开始，与过去的权重完全不同（除非您手动更改此权重）。因此，即使您保持相同的时期数，最终精度也可能会根据初始权重而改变。
这两个命令是否等效？
model.fit(train_images, train_labels, epochs=10)
model.fit(train_images, train_labels, epochs=8)
和
model.fit(train_images, train_labels, epochs=18)
没有。
在第一种情况下，您正在对您的网络进行一些权重训练，该权重要X经过所有训练集的10次，然后将权重更新为某个值y。然后，尽管所有训练都设置了8次，但您将再次训练网络，但是现在您正在使用具有权重的网络X+y。
对于第二种情况，您将使用权重通过所有训练数据对网络进行训练18次X。
这不一样！
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句