第一步訓(xùn)練需要2個(gè)多小時(shí)，總共才6個(gè)小時(shí)左右，所以提高訓(xùn)練的速度非常重要。訓(xùn)練包含20000張圖片的數(shù)據(jù) set所需的時(shí)間取決于很多因素，包括數(shù)據(jù) set的大小和復(fù)雜度、模型的復(fù)雜程度、訓(xùn)練算法的選擇和的可用性。一般來(lái)說(shuō)，收集訓(xùn)練-1/包含20000張圖片可能需要幾天到幾周的時(shí)間，具體取決于以上因素。以下是影響訓(xùn)練 time的一些主要因素:1。數(shù)據(jù)套大小:較大數(shù)據(jù)套需要較長(zhǎng)訓(xùn)練次。

2.數(shù)據(jù)集合復(fù)雜度:如果數(shù)據(jù)集合包含多個(gè)類(lèi)別或標(biāo)簽，訓(xùn)練時(shí)間可能會(huì)更長(zhǎng)，因?yàn)槟Ｐ托枰獙W(xué)習(xí)更多的模式。3.模型復(fù)雜度:更復(fù)雜的模型需要更多的計(jì)算資源和時(shí)間訓(xùn)練。選擇參數(shù)數(shù)量較多、架構(gòu)較復(fù)雜的模型通常需要較長(zhǎng)的訓(xùn)練時(shí)間。4.訓(xùn)練算法:不同的訓(xùn)練算法有不同的收斂速度和訓(xùn)練時(shí)間。比如一些深度學(xué)習(xí)框架，比如TensorFlow和PyTorch，通常比其他算法需要更長(zhǎng)的訓(xùn)練時(shí)間。

致電MNIST的訓(xùn)練 good模型進(jìn)行測(cè)試。這個(gè)測(cè)試可能是新添加的測(cè)試集，也可能是按照原來(lái)的要求轉(zhuǎn)換后存儲(chǔ)在數(shù)據(jù)中指定的位置。。/build/工具/ caffe。bintestmodelexamples/mnist/lenet _ train _ test。protoxtweightsxamples示例/mnist/lenet _ ITER _ 10000。caffemodelgpu0如果沒(méi)有g(shù)pu，就用它。/build/工具/ Caffe。bintestmodelexamples/mnist/lenet _ train _ test。prototextweightsexamples/mnist/lenet _ ITER _ 10000。從上面的說(shuō)明來(lái)看Caffe型號(hào)對(duì)應(yīng)上圖。

本文供參考和自學(xué)。為了充分利用我們有限的訓(xùn)練 數(shù)據(jù)，我們會(huì)通過(guò)一系列的隨機(jī)變換來(lái)升級(jí)數(shù)據(jù)，這樣我們的模型就不會(huì)看到任何兩張完全相同的圖片，這有助于我們抑制過(guò)擬合，使模型在keras中，這一步可以通過(guò)Keras來(lái)實(shí)現(xiàn)。預(yù)處理. image.image生成器生成批量圖像數(shù)據(jù)，支持實(shí)時(shí)數(shù)據(jù)推廣。

參數(shù)，比如:附上一個(gè)錯(cuò)誤的程序數(shù)據(jù) lifting是對(duì)抗過(guò)擬合問(wèn)題的利器，但還不夠，因?yàn)閘ifted 數(shù)據(jù)還是高度相關(guān)的。反對(duì)過(guò)擬合，你應(yīng)該主要關(guān)注模型的“熵容量”模型允許存儲(chǔ)的信息量?？梢源鎯?chǔ)更多信息的模型可以使用更多的功能來(lái)實(shí)現(xiàn)更好的性能，但也存在存儲(chǔ)不相關(guān)功能的風(fēng)險(xiǎn)。另一方面，只能存儲(chǔ)少量信息的模型將主要關(guān)注真正相關(guān)的特征，具有更好的泛化性能。

如果用現(xiàn)有的深度學(xué)習(xí)來(lái)實(shí)現(xiàn)這個(gè)，我們會(huì)需要很多意外數(shù)據(jù)，但是數(shù)據(jù)的供給非常有限，收集數(shù)據(jù)非常困難。首先，沒(méi)有人能準(zhǔn)確預(yù)測(cè)何時(shí)何地會(huì)發(fā)生什么樣的事故，所以無(wú)法提前系統(tǒng)部署收集真實(shí)事故數(shù)據(jù)；其次，從法律上講，不能靠人為事故來(lái)收數(shù)據(jù)；再次，數(shù)據(jù)無(wú)法模擬，因?yàn)槭鹿噬婕案嗟氖菍?shí)時(shí)感知和與物理世界的交互。模擬的數(shù)據(jù)和真實(shí)的數(shù)據(jù)差距很大，從DARPA機(jī)器人挑戰(zhàn)賽就能看出來(lái)。

如果缺少數(shù)據(jù)，而又很難通過(guò)之前的有效途徑增加數(shù)據(jù)，那么深度學(xué)習(xí)的優(yōu)勢(shì)就無(wú)法發(fā)揮。更重要的是，我們會(huì)遇到數(shù)據(jù)的類(lèi)型不一樣的問(wèn)題，在物理世界中，是不同傳感器獲得的實(shí)時(shí)數(shù)據(jù) stream，而現(xiàn)在信息世界中深度學(xué)習(xí)的應(yīng)用，比如圖像識(shí)別，使用的是數(shù)據(jù) all基于圖片。