1樓：白色科比
我認為是batch-size設定的有問題，或者說這是應該首先考慮的問題，因為你的這個準確率一直在波動，我之前遇見的大部分模型準確率出現了波動都是調整batch-size最後成功收斂的，
2樓：張帆
提供幾個思路，
直覺是你的訓練集太少了，因為就算模型有問題只要引數多overfit就很有可能做到
dropout 你看下，到底是輸入是keep prob還是drop prob，drop率是多少，不要搞的以為drop了0.1結果是keep了0.1，還有測試時dropout istrainning是true還是false.
有沒有bn和dropout一起用？如果是，留乙個，我推薦用bn，至少引數沒那麼敏感...
lr的話嘗試0.01到0.003，不要太低.
最後就是檢查資料轉換和模型輸入是否正確了，這個出問題的很多因為沒ut難看出來問題
3樓：
先用訓練集測試，判斷是否過擬合；
不是的話再加驗證集；
還沒有用的話檢查資料（如果資料集不是特別大），是否有無效或有毒的；
最後就是調參，判斷模型是否合適，更改模型結構...等；
用tensorflow定義層
金一鳴 凡事總要權衡利弊。錯題本這事也是這樣。其實優先的選擇是直接徹底搞懂。這樣做的收益非常大，風險也非常大，能夠持續地保持對每一道錯題都即刻搞明白，那麼就已經是學霸學神了。然而，事實上是，很多學生對於即刻搞懂一道錯題，可能出現以下情況 1 自己也不知道怎樣才算搞懂 2 搞懂了以後很快就會忘記 3 ...
Tensorflow 訓練時執行越來越慢，重啟後又變好是什麼原因？
大海燕 我的方法是用bash指令碼每隔一分鐘重啟一次python現在模型跑起來了，提前開始過端午了，實習以來下班最早的一天，全靠這個指令碼 bin sh for i in seq w 1300 30 12550 doecho i timeout 60 python my.py isleep 2 do...
企業一般用TensorFlow不用keras，那tf2包含keras的一些東西，會不會也不適應企業
異塵 沒有keras不適合工業界這一說。事實上，在模型設計及訓練的過程中，keras非常好用。tf2砍掉其他的api，把tf.keras提公升至一等公民是非常正確的決定。我認為除了大廠有自己的框架外，普通公司用keras訓練模型，匯出pb後做成tensorflow serving來部署，開發生產兩不...