问题
在深度学习中,评估模型很重要的一点就是准确率,就是正例预测也是正例的数量占所有预测是正例的数量的比例,但在模型训练中,准确率有时候不是很高,我们就需要来提高准确率,让模型达到我们的要求,
方法
在网上我们可以找到很多提高准确率的方法,优化参数,修改模型等等,都可以提高模型的准确率,我们通过学习率的方法来提高最后的准确率,首先我们定义每一批次处理的数据大小,然后计算分批处理次数,mnist.train.num_examples 是训练集的数据大小
还要定义损失函数,来评估模型的好坏
使用梯度下降法,以lr的学习速率,不断修改模型参数来最小化loss
训练时,每次训练要循环n_batch批次.
代码具体如下
最后得到的准确率也大大提高证明这种方法时可以的,相比之前的准确率也大幅提高,而且我们还可以修改一些参数来提高最后的结果
结语
针对这次机器学习的模型预测,我们通过学习率的更新,随着迭代次的增加,指数就会下降,还有学习轮数的设定,都是一些方法,希望下次实验我们能完成的更加好。