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。

验证损失（高细节模式）

由于高细节模式（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，最好让此值接近于 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 (%)

• 绿色分类高细节模式

  • 100 - 每个类的分类精度的平均值

• 红色分析高细节模式

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