Quelle devrait être la taille du lot et le nombre d'époques lors de l'adaptation d'un modèle à Keras?

Je suis une formation sur 970 échantillons et de la validation sur 243 échantillons.

Quelle doit être la taille des lots et le nombre d'époques être lors de l'ajustement d'un modèle de Keras pour optimiser la val_acc? Est-il une sorte de règle à utiliser basée sur les données d'entrée de taille?

source d'informationauteur pr338

  1. 17

    Puisque vous avez un joli petit jeu de données (~ 1000 échantillons), vous auriez probablement être en sécurité en utilisant une taille de lot de 32, ce qui est assez standard. Il ne fera pas une énorme différence pour votre problème, sauf si vous êtes de formation sur des centaines de milliers, voire des millions d'observations.

    Pour répondre à vos questions sur la Taille des Lots et les Époques:

    En général: Grandes tailles de lot suite à des progrès plus rapides dans la formation, mais ne sont pas toujours converger plus vite. Les plus petites tailles de lots de train plus lent, mais peut converger plus rapidement. C'est certainement le problème de la dépendance.

    En généralles modèles s'améliorent avec plus de temps de formation, à un point. Ils vont commencer à plateau en précision qu'ils convergent. Essayez quelque chose comme 50 et tracé du nombre d'époques (axe des x) par rapport à l'exactitude (axe des y). Vous verrez où cela les niveaux.

    Quel est le type et/ou la forme de vos données? Ces images, ou tout simplement des données tabulaires? C'est un détail important.

  2. 3

    - Je utiliser Keras non-régression linéaire sur les données de reconnaissance vocale. Chacun de mes fichiers voix me donne des caractéristiques qui sont 25000 lignes dans un fichier texte, chaque ligne contenant 257 réel apprécié des nombres. J'utilise une taille de lot de 100, epoch 50 à former Sequential modèle dans Keras avec 1 couche cachée. Après 50 époques de la formation, il converge assez bien à un faible val_loss.

  3. 2

    J'ai utilisé Keras non régression linéaire pour la composition du marché de la modélisation. J'ai obtenu de meilleurs résultats avec une taille de lot de 32 et les époques = 100 alors que la formation d'un modèle Séquentiel dans Keras avec 3 couches cachées. Généralement la taille du lot de 32 ou 25 est bon, avec les époques = 100, sauf si vous avez un grand ensemble de données. en cas de grand jeu de données, vous pouvez aller avec la taille du lot de 10 avec les époques, b/w 50 à 100.
    De nouveau, les chiffres mentionnés ci-dessus ont travaillé très bien pour moi.