如何有效提高网络训练的精确度？

本文共计452个文字，预计阅读时间需要2分钟。

1. 问题+模型训练结果的准确率仅为百分之六十多，需要提升准确率。

2.方法+使用MNIST数据集，包含60000张图像作为训练数据，10000张图像作为测试数据。假设选择Batch Size=100对模型进行训练。

1 问题

模型训练结果的准确率只有百分之60多，因此需要提升准确率。

2 方法

mnist 数据集有60000张图片作为训练数据，10000张图片作为测试数据。假设现在选择 Batch_Size = 100对模型进行训练。迭代30000次。

• 每个 Epoch 要训练的图片数量：60000(训练集上的所有图像)
• 训练集具有的 Batch 个数：60000 / 100 = 600
• 每个 Epoch 需要完成的 Batch 个数：600
• 每个 Epoch 具有的 Iteration 个数：600（完成一个Batch训练，相当于参数迭代一次）
• 每个 Epoch 中发生模型权重更新的次数：600（一次训练包含正向+反向，反向就是一次权重更新）
• 训练 10 个Epoch后，模型权重更新的次数：10 * 600 = 6000
• 总共完成30000次迭代，相当于完成了个Epoch

不同Epoch的训练，其实用的是同一个训练集的数据。第1个Epoch和第10个Epoch虽然用的都是训练集的图片，但是对模型的权重更新值却是完全不同的。因为不同Epoch的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。