【问题标题】:Adding Regularization Gives Slower and Worse Performance添加正则化会使性能变慢和变差
【发布时间】:2017-08-13 21:23:27
【问题描述】:

当我添加更强的正则化(例如,L2 正则化参数从 1 到 10,或 dropout 参数从 0.75 到 0.5)时,它给了我更慢和更差的性能(例如,在 3000-4000 次迭代中 97-98% 的测试准确度只有 94 -95% 的测试准确度在 3000-4000 次迭代中)。发生这种情况可能有原因吗?我可以确认一切都正确实施。谢谢!

编辑:我只想指出我的程序有过拟合(大约 1%),而且似乎有和没有 dropout,训练和测试准确率之间的差异也差不多。

【问题讨论】:

    标签: performance machine-learning neural-network conv-neural-network regularized


    【解决方案1】:

    欠拟合可能是准确率急剧下降的原因。对小于 1 的 l2 正则化使用较小的值。检查 [0.01,0.03,0.1,0.3,0.9] 并查看。

    【讨论】:

    • 感谢大家的帮助,但不幸的是,神经网络实际上仍然过拟合。只是我真的很想找到一种正则化技术,因为这是我获得测试准确率 > 99% 的唯一方法。我只是想知道您是否有其他一些我可以尝试的正则化技术,或者有更多原因导致这种情况发生?谢谢你的一切!
    猜你喜欢
    • 2012-08-17
    • 2020-12-30
    • 2015-07-22
    • 2012-05-09
    • 1970-01-01
    • 1970-01-01
    • 2020-01-01
    • 1970-01-01
    • 1970-01-01
    相关资源
    最近更新 更多