概述
这篇⽂章主要是介绍⼀下神经⽹络中的过拟合问题，并总结⼀下⽬前都有哪些有效的⽅法来缓解过拟合问题。
过拟合表现
在深度学习任务中，过拟合最直观的表现就是，模型在测试集的表现远远差于训练集，也就是模型的泛化性能太差。
直观分析为什么在测试集上的表现差于训练集？最简单的回答，因为模型就是在训练集上训练出来的，它对训练集接触
的⽐较多，好！那为什么测试集和训练集是同⼀类数据(训练集和测试集同⼀分布)，表现就这么差了呢？难
道模型从训练集学错东西了？没有去学习数据内在真实的规律(分布)？
我们都知道设计模型是为了让模型⾃⼰归纳出数据的内在规律，那么我们现在有理由怀疑⽹络⾃⼰"学坏了"，没有按照我们的期望去学习。
那更正式的解释呢？我们所有的训练集都是对真实样本的抽样，不管是图⽚数据，还是语⾳等，获得的样本是 X =x(真实值)+u(随机误差) ,⽽我们的神经⽹络优化的损失函数是模型的输出与 X 之间的误差，所以模型拟合的是X的分布，⽽我们期望的是⽹络尽可能的找到 x(真实值) 的分布，所以当⽹络错误的过分拟合 X 时(即也强⾏拟合了u(随机误差))，当使⽤测试集时，就算对于同⼀类图⽚，当随机误差不⼀样时，模型也认为它们是不同类的。
其次
最后
以上就是慈祥台灯为你收集整理的深度学习模型在训练集上很好而在测试集表现得不好而拟合次数并不多_深度学习中的过拟合...的全部内容，希望文章能够帮你解决深度学习模型在训练集上很好而在测试集表现得不好而拟合次数并不多_深度学习中的过拟合...所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复