趋近智
构建深度学习 (deep learning)模型的主要目标不仅仅是在训练数据上的表现;更是要确保模型在新的、未见过的数据上也能表现良好。这种能力被称为泛化。泛化效果不佳的模型常常会遇到过拟合 (overfitting)(对训练数据学习得过于具体,甚至包含了噪声)或欠拟合 (underfitting)(模型过于简单,无法捕捉数据的规律)的问题。
在本章中,我们将为理解和改进泛化能力奠定开端。我们将定义泛化、过拟合和欠拟合。您将了解到深度学习背景下的偏差-方差权衡,以及如何使用学习曲线作为诊断工具。我们还将介绍正则化 (regularization)和优化在处理泛化问题中的作用,并引导您设置后续实践工作所需的软件环境。最后,您将练习通过视觉方式识别过拟合。
1.1 模型泛化介绍
1.2 理解欠拟合与过拟合
1.3 深度学习中的偏差-方差权衡
1.4 诊断模型表现:学习曲线
1.5 验证与交叉验证策略
1.6 正则化与优化的作用
1.7 配置开发环境
1.8 动手:过拟合的可视化