深度學習中的基本問題就是這個，上午我還達到90%，85%的acc，現在只有76%，臥槽，我動**了啊？？？
有鬼。明明沒怎麼改引數，卻再也回不到過去，這個trick不小啊。
既然回不到過去，不妨重新開始吧。我套了一下vgg，發現網路太深了，根本跑不動，效果也不好，減少網路後，acc反而有提高，之前我還以為驗證集有毛病，因為我監督的驗證集的acc/loss，採用改變lr的方式。
所以，有時候網路深並不一定有效果，還會適得其反。
等一會我套用下resnet，所有流行的net全部套一遍。我覺得除非資料有問題，二分類acc如果達不到【訓練集99%】，【測試集98%】，那就是失敗。
vgg效果如下，估計改改引數可能會有1個點的提高，但效果不會明顯。參考**隨便在github搜即可，寡人好心提供個參考
很多時候第一次的結果都比後來再折騰的結果要好，vgg我又折騰了四五次，發現還是第一次的結果好，這個道理我之前就明白，但總是不死心，很多妹子不就是這樣嗎？折騰吧。下面是改下shuffle的結果，
我又優化了一下，其實是將引數減少了，為了模型更小，這是落地工作者必須具備的素養。
【後記：老子查了下vgg，果然都是這樣的結果，這應該是模型的根本原因，附圖如下，附*****】
既然沒有提高那就換resnet吧。自己搜吧，我就不提供參考了。
發現函式裡面定義函式，我總感覺彆扭，類裡面定義函式我還可以理解，你這樣定義算什麼？**啊？還是為了不讓別人看懂？？下面本大佬就專門破解這種**，舉例子說明——附原始碼：
寡人有句名言：只有將別人的**變成自己的才是真正理解，將複雜的變成簡單的才是高手，so ppt is ai
1-引數的輸入——函式中形參問題即位置引數
def test_func(**paras):
x=paras["x"]
y=paras["y"]
z=paras.setdefault("z", 512)
return x,y,z
x,y,z=test_func(x=12,y=126)
print(x,y,z)
def test_func(x,y,z=512):
return x,y,z
x,y,z=test_func(x=12,y=126)
print(x,y,z)
>>> x,y,z=test_func(12,126)
>>> print(x,y,z)
2-函式中定義函式問題——函式套函式
其實這個寫法的原因是想把自定義的函式作為模型中的一層，這個其實可以直接用keras中lambda,有輪子不用自己造？？**啊？？經深入研究發現並沒有自定義的函式，那就更**了。
這個不再公開，不然可能有針對之嫌，我不是那種得了好處還罵人家的那種人。
qq群：868373192
語音深度學習群
二分類問題
模型 帶有relu啟用的dense層堆疊 對於二分類問題，網路的最後一層應該是只有乙個單元並使用sigmoid啟用的dense層，網路的輸出應該是0 1的標量，表示概率值 對於二分類問題的sigmoid標量輸出，應該使用binary crossentroy 二元交叉熵 損失函式 實驗 1 嘗試增加或...
二分類 多分類
怎麼樣把兩類的分類的模型推廣到多類上？答 a.一對多法 one versus rest,簡稱ovr svms 訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個svm。分類時將未知樣本分類為具有最大分類函式值的那類。b.一對一法 one versus on...
二分類問題模型指標
正如下圖所示，f1的值同時受到p r的影響，單純地追求p r的提公升並沒有太大作用。在實際業務工程中，結合正負樣本比，的確是一件非常有挑戰的事。auc是roc的積分 曲線下面積 是乙個數值，一般認為越大越好，數值相對於曲線而言更容易當做調參的參照。pr曲線會面臨乙個問題，當需要獲得更高recall時...