如何識別卷積神經網絡中的過擬合？

我知道 dropout 用於減少網絡中的過度擬合。這是一種泛化技術。

在卷積神經網絡中如何識別過擬合？

我能想到的一種情況是，與測試或驗證的準確性相比，我的訓練準確性太高了。在這種情況下，模型會試圖過度擬合訓練樣本，而對測試樣本表現不佳。

這是指示是否應用 dropout 還是應該將 dropout 盲目添加到模型中的唯一方法，希望它能提高測試或驗證的準確性

在卷積神經網絡中如何識別過擬合？

比較訓練的性能（例如準確性）與測試或驗證的性能是唯一的方法（這是過度訓練的定義）。

是否應該盲目地將 dropout 添加到模型中，希望它能提高測試或驗證的準確性？

輟學通常會有所幫助，但最佳輟學率取決於數據集和模型。Dropout 也可以應用於網絡中的不同層。來自Optimizing Neural Network Hyperparameters with Gaussian Processes for Dialog Act Classification 的示例，IEEE SLT 2016。：

您可能還想提前停止：

引用自：https://stats.stackexchange.com/questions/204062