如何一边训练一遍验证

1.首先想到的是用tf.placeholder()载入不同的数据来进行计算，比如

def inference(input_):"""this is where you put your graph.the following is just an example."""conv1 = tf.layers.conv2d(input_)conv2 = tf.layers.conv2d(conv1)return conv2input_ = tf.placeholder()
output = inference(input_)
...
calculate_loss_op = ...
train_op = ...
...with tf.Session() as sess:sess.run([loss, train_op], feed_dict={input_: train_data})if validation == True:sess.run([loss], feed_dict={input_: validate_date})

这种方式很简单，也很直接了然。

2.但是，如果处理的数据量很大的时候，使用 tf.placeholder() 来载入数据会严重地拖慢训练的进度，因此，常用tfrecords文件来读取数据。

此时，很容易想到，将不同的值传入inference()函数中进行计算。

train_batch, label_batch = decode_train()
val_train_batch, val_label_batch = decode_validation()train_result = inference(train_batch)
...
loss = ..
train_op = ...
...if validation == True:val_result = inference(val_train_batch)val_loss = ..with tf.Session() as sess:sess.run([loss, train_op])if validation == True:sess.run([val_result, val_loss])

这种方式看似能够直接调用inference()来对验证数据进行前向传播计算，但是，实则会在原图上添加上许多新的结点，这些结点的参数都是需要重新初始化的，也是就是说，验证的时候并不是使用训练的权重。

3.用一个tf.placeholder来控制是否训练、验证。

def inference(input_):.........return inference_resulttrain_batch, label_batch = decode_train()
val_batch, val_label = decode_validation()is_training = tf.placeholder(tf.bool, shape=())x = tf.cond(is_training, lambda: train_batch, lambda: val_batch)
y = tf.cond(is_training, lambda: train_label, lambda: val_label)logits = inference(x)
loss = cal_loss(logits, y)
train_op = optimize(loss)with tf.Session() as sess:loss, _ = sess.run([loss, train_op], feed_dict={is_training: True})if validation == True:loss = sess.run(loss, feed_dict={is_training: False})

使用这种方式就可以在一个大图里创建一个分支条件，从而通过控制placeholder来控制是否进行验证。

如何一边训练一遍验证相关推荐

【入门篇】如何正确使用机器学习中的训练集、验证集和测试集？
[注] ·本文为转载文章,原文作者是王树义老师,原文链接为 https://zhuanlan.zhihu.com/p/71961236 训练集.验证集和测试集,林林总总的数据集合类型,到底该怎么选.怎 ...
如何正确使用机器学习中的训练集、验证集和测试集？
王树义读完需要 19 分钟速读仅需7分钟训练集.验证集和测试集,林林总总的数据集合类型,到底该怎么选.怎么用?看过这篇教程后,你就能游刃有余地处理它们了. 1 问题审稿的时候,不止一次,我遇到 ...
【神经网络】学习笔记十五——训练集，验证集和测试集
以前一直知道神经网络划分数据集时要分为训练集,测试集和验证集,但不知道并且一般以6:2:2的比例划分,到头来不知道这三者各是啥,以及他们的作用是什么.本片文档解释一下三者的作用. 重点在于验证集和测试 ...
训练集，验证集，测试集，泛化误差总结
能不能只要训练集,不要测试集? 模型参数包含两类:模型参数,超参数:我们的任务是通过调整超参数使得模型参数更好的拟合数据如果不需要调整模型的超参数,那可以不用验证集: 验证集的作用是模拟测试集,我们 ...
机器学习典型步骤以及训练集、验证集和测试集概念
1. 机器学习典型步骤数据采集和标记数据清洗特征选择如房子的面积.地理位置.朝向.价格等. 模型选择有监督还是无监督,问题领域.数据量大小.训练时长.模型准确度等多方面有关. 模型训练和测试 ...
Keras构建前馈神经网络并使用callbacks输出acc以及loss曲线（训练接、验证集）及效果可视化
Keras构建前馈神经网络并使用callbacks输出acc以及loss曲线(训练接.验证集)及效果可视化在每个training/epoch/batch结束时,如果我们想执行某些任务,例如模型缓存. ...
可视化深度学习模型的训练误差和验证误差
可视化深度学习模型的训练误差和验证误差 #导入基础包和库 # Load libraries import numpy as np from keras.datasets import imdb fro ...
一文看懂 AI 训练集、验证集、测试集（附：分割方法+交叉验证）
2019-12-20 20:01:00 数据在人工智能技术里是非常重要的!本篇文章将详细给大家介绍3种数据集:训练集.验证集.测试集. 同时还会介绍如何更合理的讲数据划分为3种数据集.最后给大家介绍一 ...
机器学习中训练集、验证集和测试集的区别
通常,在训练有监督的机器学习模型的时候,会将数据划分为训练集.验证集合测试集,划分比例一般为0.6:0.2:0.2.对原始数据进行三个集合的划分,是为了能够选出效果(可以理解为准确率)最好的.泛化能力 ...

如何一边训练一遍验证

如何一边训练一遍验证相关推荐

最新文章

热门文章