1樓：hui dust
機器學習模型中都有訓練集、驗證集（測試集），訓練集資料餵給模型訓練，每輪epoch在驗證集上驗證指標，多輪訓練時取驗證集指標最好的情況作為最終的模型效能。
2樓：Fain
一般來說，當多次降低學習率，驗證集的loss依然不下降，則取最近一次下降的模型引數。損失不下降說明模型已經到達了不錯的結果。如果再繼續訓練，儲存後面的模型引數，模型的泛化能力會有所下降。
所以，使用預設的模型引數儲存策略也是相對可以的。
當然，在模型效果提公升上，還有一種辦法是模型融合。但是，訓練多個模型，訓練代價會比較高。所以，這時候，你可以選擇將不同評價指標下的模型引數各保留乙份，最終，使用這些不同指標下最優的模型引數去融合來提公升效果。
3樓：一然
如果是用的反向傳播和梯度下降訓練神經網路的話，那要看你選的誤差函式在具體模型上是啥特性了。
通常訓練一定時間以後，誤差就會趨於平緩，就差不多是停下的時候了。
當然有可能是陷入了區域性低點，也可能是逼近全域性最優了。
如果這時候結果很差，那可能模型沒設計對，也可能是設定的引數不太行，雖然很差，基於這些設定，該次訓練也只能停止了。
希望幫助到你
深度學習模型訓練好後效能就確定了嗎？
Scott 應該是說訓練之後得到的weight是固定的，沒法再更動的。用來推論或是辨識的話，precision的高低也是確定的。所以要得到較高precision的訓練權重，這在訓練時就必需不斷的對model調參，以確保最後得到的weight有高的準確率。 負十二分之一 你依然可以用pre proce...
深度學習中模型訓練的通用流程是怎樣的？
妞妞 簡單的說一下通用的流程，當然訓練不同的模型，可能會多加一些處理。第一步，資料預處理，獲取資料後，需要對資料進行篩選，分訓練集 測試集以及驗證集等 第二步，將資料輸入到神經網路 這裡可以根據資料多少構建合適的神經網路，防止出現過擬合和欠擬合 即每個神經元的輸入值加權求和再輸入到啟用函式，得到輸出...
深度學習裡面訓練模型的時候，為什麼新增正則項它的超引數都是自己調的？
走在邊沿上 一般，乙個引數之所以成為超引數，要麼是因為關於它的任何資訊都不能被訓練資料集表示，要麼是因為一旦讓它成為trainable的，我們總會得到乙個trivial的值。從第乙個角度看，正則化的本質是限制目標函式空間的大小，保證目標函式的smoothness。資料集本身顯然並不會包含關於它的任何...