控制神经网络训练

训练集

影响网络训练阶段的最大单一决定因素是训练集组成。控制网络训练阶段的最佳方法是构建工具的训练图像样本集。通过这种方式，您可以将图像/视图分成几类，以确定工具是否正确地概括了图像/视图。训练集的使用对所有工具来说都是通用的，但高细节工具有另一个称为“验证集”或“验证数据”的数据集，它是训练集的一部分，其数据量由用户选择。对于高细节模式，在训练阶段为每个模型计算验证损失（=从验证数据计算的损失），最终选择在性能和可用性方面给出最佳验证损失的模型作为训练结果。

验证损失（高细节模式）

验证数据的目的是在从训练数据生成的众多神经网络模型中选择最佳模型作为训练的最终输出。采用验证数据来实现这一目标的训练策略在这里称为“带验证的训练”。与聚焦模式工具不同，高细节模式工具（绿色分类高细节模式和红色分析高细节模式）为训练提供验证，您可以通过监控验证损失来控制网络训练。在训练期间的每 1/8 时期结束时，神经网络会根据您之前配置的验证集计算损失值。

验证损失表示经过训练的网络在分类（绿色分类高细节模式）或分割（红色分析高细节模式）准确性方面的性能，也就是说，损失越小通常意味着网络越好。因此，最好让值接近于 0。

但是，为了全面了解网络的真正表现如何，您必须针对一些单独的数据（测试数据）测试经过训练的网络，以防止过度拟合。

绿色高细节模式的验证损失是按视图计算的，因为分类是在每个视图上执行的。而红色分析高细节模式的验证损失是按像素计算的，因为分割（即“良好”或“缺陷”的二元分类）是在每个像素上执行的。

 

验证损失

• 绿色分类高细节验证损失（单位：%）

  • 100 - 每个类的分类精度的平均值

• 红色分析高细节的验证损失（单位：%）

  • 100 - “缺陷”类的召回率 + 40 x（100 - “良好”类的召回率）