類別
驗證集測試集
是否被訓練到否否
作用純粹用於調超引數
純粹為了加試以驗證泛化效能
使用次數
多次使用，以不斷調參
僅僅一次使用
缺陷模型在一次次重新手動調參並繼續訓練後所逼近的驗證集，可能只代表一部分非訓練集，導致最終訓練好的模型泛化效能不夠
測試集為了具有泛化代表性，往往資料量比較大，測試一輪要很久，所以往往只取測試集的其中一小部分作為訓練過程中的驗證集
互相轉化
驗證集具有足夠泛化性（一般來說，如果驗證集足夠大到包括大部分非訓練集時，也等於具有足夠泛化性了）
驗證集具有足夠泛化性時，測試集就沒有存在的必要了
模擬校內答辯（如果校內答辯比多校聯合答辯還有泛化性說服力，那麼就沒有必要再搞個多校聯合答辯了）
多校聯合公開答辯
說到底：
深度學習中驗證集與測試集的區別
驗證集 是模型訓練過程中單獨留出的樣本集，它可以用於調整模型的超引數和用於對模型的能力進行初步評估。測試集 用來評估模最終模型的泛化能力。但不能作為調參 選擇特徵等演算法相關的選擇的依據。訓練集用於模型引數，測試集用於估計模型對樣本的泛化誤差，驗證集用於 訓練 模型的超引數。我們知道乙個機器學習模型...
訓練集 驗證集 測試集的區別
深度學習模型的引數分為普通引數和超引數 普通引數 在模型訓練的過程中可以被梯度下降所更新的，也就是訓練集所更新的引數。超引數 比如網路層數 網路節點數 迭代次數 學習率等等，這些引數不在梯度下降的更新範圍內。超引數的設定一般是人工根據驗證集來調。訓練集的作用就是通過梯度下降來調整模型的內部普通引數。...
驗證集和測試集的區別
昨天一直在想驗證集和測試集的問題，越想越迷 問題是這樣的，大部分網路的訓練都是這麼乙個套路 訓練迭代 n 個 epoch 以後就進行一次驗證，然後網路會輸出在驗證集上的 loss 或者其他評價指標。所以如果我直接把測試集作為驗證集，不就可以看到每隔 n 個 epoch 模型在測試集上的表現了嘛？而且...