Комментарии 5
У дропаута есть три важных нюанса (поправьте меня если что):
Применяется с увеличением количества нейронов в связанном с ним слое
Снижает переобучение, которого здесь, на мой взгляд, нет
Дает дополнительные эффекты при наличии нескольких скрытых слоев
Это приводит к выводу о том, что для данной сети в условиях проведенного тестирования дропаут излишен. Выводы в статье о его роли в обучении косвенно подтверждают это.
Всё не как не могу понять, зачем нужна тестовая выборка, если есть валидационная? Понятно там на кегл, где тестовый набор закрыт, но дома то зачем?
Понимаю так:
С валидационной выборкой идет работа в процессе обучения, если от этого есть какая-то обратная связь. Например, уменьшаем шаг обучения, если 10 эпох на валидационной выборке нет улучшений. Или сохраняем набор коэффициентов, дающий лучший результат на валидационной выборке за этот процесс обучения.
А уже потом прогоняем через итоговый набор коэффициентов всю тестовую выборку, которую сеть ни разу не видела. И очень может быть, что на валидационной выборке точность близка к 100% или близко к ней, а на тестовой сильно меньше, например, 95%. А во многих классах задач важен не результат на валидационной выборке, который сетьможет шлифануть и до 100%, но перейти в переобученность, а важна обобщающая способность, то есть как сеть будет работать с похожими, но не известными ей данными заданного формата, и это как раз и проверяется на тестовой выборке.
Анализ подбора гиперпараметров при обучении нейронной сети прямого распространения — FNN (на примере MNIST)