我正在构建一个 Keras 顺序模型来进行二值图像分类。现在，当我使用 70 到 80 个 epoch 时，我开始获得良好的验证准确度 (81%)。但有人告诉我，这是一个非常大的数字，可用于影响网络性能的时期。
我的问题是：我不应该超过的 epoch 数量是否有限，请注意我有 2000 个训练图像和 800 个验证图像。
【问题讨论】：
标签： python keras conv-neural-network
如果 epoch 的数量非常多，你的模型可能会过拟合，你的训练准确率会达到 100%。在这种方法中，您可以绘制训练和验证数据的错误率。横轴是历元数，纵轴是错误率。当验证数据的错误率最小时，您应该停止训练。
您需要在正则化参数之间进行权衡。深度学习的主要问题是模型过拟合。使用了各种正则化技术，如
i) 减少批量大小
ii) 数据增强（仅当您的数据不多样化时）
iii) 批量标准化
iv) 降低架构的复杂性（主要是卷积层）
v) 引入 dropout 层（仅当您使用任何密集层时）
vi) 降低学习率。
vii) 迁移学习
批量大小与时代的权衡非常重要。它还取决于您的数据，并且因应用程序而异。在这种情况下，您必须稍微处理一下您的数据才能知道确切的数字。通常，批量大小为 32 个中等大小的图像需要 10 个 epoch 才能从卷积层中提取良好的特征。再次，它是相对的
【讨论】：
Keras 提供了这个提前停止功能，您只需定义即可。
EarlyStopping(patience=self.patience, verbose=self.verbose, monitor=self.monitor)
假设 epochs 参数等于 80，就像你之前说的那样。当您使用 EarlyStopping 函数时，epoch 数变为最大 epoch 数。
您可以定义 EarlyStopping 函数来监控验证损失，例如，当这种损失不再改善时，它会给它最后一次机会（您在耐心参数中输入的数字），如果在这些之后监测值没有改善训练过程的最后机会将停止。
在我看来，最好的做法是同时使用 EarlyStopping 和 ModelCheckpoint，这是 Keras API 中提供的另一个回调函数，它只是保存你最后的最佳模型（你决定什么是最好的，最好的损失或其他价值测试你的结果）。
这是您尝试处理的问题的 Keras 解决方案。此外，您还可以阅读很多关于如何处理过拟合的在线资料。
【讨论】：
耶！他们是您问题的解决方案。选择 epoch，例如 1k ,2k 只需在您的神经网络上使用早期停止。
提前停止： Keras 通过称为 Early-stopping 的回调支持提前停止训练。
此回调允许您指定要监控的性能度量、触发器，一旦触发，它将停止训练过程。例如，如果在前 5 个 epoch 中准确度没有增加，则应用停止训练的触发器。因此，keras 将通过回调查看前 5 个 epoch，如果您的准确性没有增加，则停止训练
【讨论】：