我是不是太合适了？

Question

How it looks like with lesser smoothing

嗨！我目前正在用Darkflow Yolov2训练我的模特。优化装置为SGD，lr为0.001。 基于此图，my val loss>；火车损失，这意味着它是过度装配？如果是，建议采取什么行动？这看起来很奇怪，因为这两种损失都在减少，但val损失更慢

欲了解更多信息， 我的火车数据集由每类400张图像组成，带有单个注释，总共2800张图像。我这样做是为了防止类不平衡，因为每个图像只注释一个类实例。My val数据集由350个图像组成，带有多个注释。基本上，我注释了图像中的每个对象。我有7节课，我的train val测试分数是80-10-10。这是val丢失的原因吗

Answer 1

过拟合检测包括训练精度偏离测试（验证）精度时的失配。由于您尚未提供该数据，我们无法评估您的模型

它可能有助于澄清阶段和术语；这将让你在将来为自己回答这个问题：

“趋同”是指我们认为模型

• 学会了一些有用的东西
• 通过可重复的过程达到这一点
• 不会明显好转
• 情况将变得更糟

收敛是我们希望停止培训并保存（检查点）模型以供生产使用的地方

我们通过使用训练通道和测试（验证）通道来检测收敛性。 在趋同阶段，我们预计：

• 验证损失（错误函数、困惑等）是相对的 最低限度
• 验证准确度处于相对最大值
• 验证和培训指标在以下方面“相当稳定” 模型的一般行为
• 培训准确度和验证准确度基本相同

一旦训练跑过了这一点，它通常会过渡到“过度拟合”，在这种情况下，模型会学习到特定于训练数据的东西，因此不再善于推断新的观察结果。在这个州,

• 训练损失下降；验证损失上升
• 训练精度提高；验证精度下降