Datawhale零基础入门cV-Task4模型训练与验证

1.构造验证集

在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低，但测试误差的走势则不一定在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overfitting）。与过拟合相对应的是欠拟合（ Underfitting），即模型在训练集上的拟合效果较差。

2.模型训练与验证

在本节我们目标使用 Pytorch来完成CNN的训练和验证过程，CNN网络结构与之前的章节中保持一致。我们需要完成的逻辑结构如下：
1.构造训练集和验证集；
2.每轮进行训练和验证，并根据最优验证集精度保存模型。

3.模型调参流程

深度学习原理少但实践性非常强，基本上很多的模型的验证只能通过训练来完成。