如何在深度神经网络中进行交叉验证？我知道执行交叉验证将在所有折叠上训练它，除了一个折叠并在排除的折叠上测试它。然后对 k 次折叠执行此操作，并平均每次折叠的准确率。您如何为每次迭代执行此操作。您是否在每次折叠时更新参数？或者您对每次迭代执行 k 折交叉验证？或者对所有折叠的每次训练都被视为一次迭代？
最佳答案
Cross-validation是机器学习中防止过度拟合的通用技术。在深度学习模型上做这件事和在线性回归上做这件事没有区别。所有 ML 模型的想法都是一样的。您在问题中描述的简历背后的基本思想是正确的。
但是，您如何为每次迭代执行此操作的问题没有意义。 CV 算法中没有任何与训练时的迭代相关的内容。您训练了模型，然后才对其进行评估。
您是否在每次折叠时更新参数？。你训练相同的模型 k 次，而且很可能每次你都会有不同的参数。
DL 中不需要 CV 的答案是错误的。 CV 的基本思想是更好地估计模型在有限数据集上的表现。所以如果你的数据集很小，训练 k 个模型的能力会给你一个更好的估计(缩小是你花费了 ~k 倍的时间)。如果您有 1 亿个示例，很可能拥有 5% 的测试/验证集已经可以给您一个很好的估计。
关于tensorflow - 深度神经网络中的交叉验证，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44475682/