1樓：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，得到輸出得分，完成正向傳播。
第三步，將第二步獲取的輸出得分輸入到誤差函式，與期望值做比較，誤差越小越好
第四步，通過反向傳播（這裡要用到反向求導，最終目的是使得誤差最小）確定梯度向量
第五步，通過梯度向量調節每個輸入的權重，使得誤差趨於零
最後，重複上述過程，直到找到誤差值足夠小且趨於穩定，則找到最優權重，此時模型訓練完畢
訓練過程中要注意同步使用驗證集不斷驗證模型訓練結果，防止過擬合
2樓：ChronousZ
取資料，定義模型，損失，優化器等，然後就可以迴圈迭代了（訓練），每次迭代輸入通過前向傳播計算網路輸出，計算損失，然後損失反向回傳修正網路，進去下一次迭代，直到模型收斂
在深度學習模型的訓練中，其效能不斷變化，應當將何時效能，看作為「最終的」模型效能？
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。 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...
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...