訓(xùn)練網(wǎng)絡(luò)1批訓(xùn)練目錄迭代次數(shù)2訓(xùn)練基于CNN的貓狗分類(lèi)網(wǎng)絡(luò)3網(wǎng)絡(luò)構(gòu)建和編譯完成后，即可將訓(xùn)練樣本傳入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練網(wǎng)絡(luò)過(guò)程中，可通過(guò)調(diào)整迭代次數(shù)、批訓(xùn)練等參數(shù)的值，對(duì)網(wǎng)絡(luò)訓(xùn)練過(guò)程進(jìn)行優(yōu)化。訓(xùn)練網(wǎng)絡(luò)時(shí)，通過(guò)設(shè)置epochs參數(shù)調(diào)整訓(xùn)練中網(wǎng)絡(luò)的迭代次數(shù)，epochs的值為多少就表示所有訓(xùn)練樣本被傳入網(wǎng)絡(luò)訓(xùn)練多少輪（如epochs為1，表示所有訓(xùn)練樣本被傳入網(wǎng)絡(luò)訓(xùn)練一輪）。當(dāng)設(shè)置的迭代次數(shù)的值過(guò)小時(shí)，訓(xùn)練得到的模型效果較差，可以適當(dāng)增加迭代次數(shù)的大小，從而優(yōu)化模型的效果。但是，當(dāng)?shù)螖?shù)的值太大時(shí)（數(shù)據(jù)特征有限），可能會(huì)導(dǎo)致模型過(guò)擬合、訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題，因此，用戶(hù)可以根據(jù)自身的情況設(shè)置一個(gè)合適的迭代次數(shù)。迭代次數(shù)在迭代訓(xùn)練的過(guò)程中，損失值會(huì)隨著迭代次數(shù)的變化而變化，在迭代次數(shù)的增加的過(guò)程中，損失值可能會(huì)呈現(xiàn)波動(dòng)變化趨勢(shì)，即有增有減。也存在損失值隨迭代次數(shù)的增加而減少的情況，如果到達(dá)一定的迭代次數(shù)后損失值已基本穩(wěn)定在一個(gè)值附近，此時(shí)繼續(xù)訓(xùn)練可能會(huì)導(dǎo)致過(guò)擬合。用戶(hù)可以根據(jù)訓(xùn)練過(guò)程中的損失值和準(zhǔn)確率的變化趨勢(shì)適當(dāng)調(diào)整迭代次數(shù)的值，當(dāng)趨勢(shì)逐漸平穩(wěn)時(shí)，迭代次數(shù)的值較為理想。迭代次數(shù)1批訓(xùn)練目錄迭代次數(shù)2訓(xùn)練基于CNN的貓狗分類(lèi)網(wǎng)絡(luò)3理論上，在訓(xùn)練網(wǎng)絡(luò)時(shí)，如果將完整的訓(xùn)練樣本一次性輸入到網(wǎng)絡(luò)中，使用梯度下降的機(jī)制可以得到理想的參數(shù)變換方向。但是，在深度學(xué)習(xí)的任務(wù)中，樣本的量往往是極大的，一次性輸入網(wǎng)絡(luò)后，對(duì)所有的參數(shù)根據(jù)梯度進(jìn)行修正所需的計(jì)算量難以估計(jì)。為解決計(jì)算量過(guò)大的問(wèn)題，批訓(xùn)練應(yīng)運(yùn)而生。批訓(xùn)練會(huì)在網(wǎng)絡(luò)訓(xùn)練時(shí)從總體中抽取部分?jǐn)?shù)據(jù)用于梯度下降，直到總體中的全部樣本均完成訓(xùn)練后，則完成了一次完整的訓(xùn)練周期。批訓(xùn)練運(yùn)用批訓(xùn)練的好處主要有2個(gè)。內(nèi)存利用率提高，大矩陣乘法的并行化效率提高。通常在合理的范圍內(nèi)，訓(xùn)練中使用的批量大小越大，梯度下降方向越趨向于總體樣本的梯度下降方向，訓(xùn)練時(shí)引起的損失的震蕩越小?？梢愿鶕?jù)當(dāng)前計(jì)算機(jī)的硬件指標(biāo)來(lái)設(shè)置批量大小參數(shù)的大小，一般根據(jù)計(jì)算機(jī)的GPU顯存資源或CPU性能功率來(lái)設(shè)置。若設(shè)置的值太大，則可能會(huì)因?yàn)轱@存不足導(dǎo)致訓(xùn)練終止；若設(shè)置的值太小，沒(méi)有充分利用GPU或CPU的計(jì)算能力，則訓(xùn)練時(shí)間會(huì)較長(zhǎng)。批訓(xùn)練1批訓(xùn)練目錄迭代次數(shù)2訓(xùn)練基于CNN的貓狗分類(lèi)網(wǎng)絡(luò)3將迭代次數(shù)設(shè)置為200，批量大小batch_size在2.1.3節(jié)的函數(shù)load_data的設(shè)置中