【深度学习】训练集、测试集和验证集

码字不易，如果各位看官感觉该文章对你有所帮助，麻烦点个关注，如果有任何问题，请留言交流。如需转载，请注明出处，谢谢。

文章链接：https://blog.csdn.net/herocheney/article/details/118300553

目录

一、深度学习的数据

二、训练集、测试集和验证集

三、训练集、测试集和验证集的比例

一、深度学习的数据

        在深度学习或机器学习的过程中，数据无疑是驱动模型的主要能量，通过训练现有数据，得到相应的网络参数，使得我们所设计的模型具有泛化性，能够预测一些未知的，没有出现的样本，并将该参数应用到实际当中，是模型训练的主要流程，数据的干净程度，完备程度等，是网络学习好坏的重中之重。

二、训练集、测试集和验证集

        我们通常把训练的数据分为三个文件夹：训练集、测试集和验证集。

下面这个比喻非常恰当：模型的训练与学习，类似于老师教学生学知识的过程。

1、训练集（train set）：用于训练模型以及确定参数。相当于老师教学生知识的过程。

2、验证集（validation set）：用于确定网络结构以及调整模型的超参数。相当于月考等小测验，用于学生对学习的查漏补缺。

3、测试集（test set）：用于检验模型的泛化能力。相当于大考，上战场一样，真正的去检验学生的学习效果。

参数（parameters）是指由模型通过学习得到的变量，如权重和偏置。

超参数（hyperparameters）是指根据经验进行设定的参数，如迭代次数，隐层的层数，每层神经元的个数，学习率等。

三、训练集、测试集和验证集的比例

根据吴恩达的视频所述，如果当数据量不是很大的时候（万级别以下）的时候将训练集、验证集以及测试集划分为6：2：2；若是数据很大，可以将训练集、验证集、测试集比例调整为98：1：1。