深度学习，5分类任务，跑了80轮发现损失曲线正常，正确率曲线不拟合，想知道什么原因，该如何调参
训练集和验证集的loss曲线正常，正确率曲线异常这种情况该如何调参(标签-深度学习|关键词-拟合)
深度学习，5分类任务，跑了80轮发现损失曲线正常，正确率曲线不拟合，想知道什么原因，该如何调参
- 写回答
- 好问题 0 提建议
- 关注问题
分享- 邀请回答
-
2条回答 默认 最新
爱晚乏客游 2023-03-23 14:16关注你这曲线一开始就不对劲了，为什么一开始val就比train的好？数据集比例失衡吗还是分布不一样？不然没道理说一开始val就比train好了几个点
本回答被题主选为最佳回答 , 对您是否有帮助呢?解决 无用评论 打赏举报 分享
- 2024-06-16 08:00拿下Nahida的博客 以YOLOv5/YOLOv7示例展示深度学习的目标检测算法在输出的文件中的loss曲线变化规律的一般情况的分析总结，并用以调整自己的模型、调参等。
- 2021-11-01 13:28生产队的驴儿的博客 深度学习模型调参笔记 train loss 下降，val loss下降，说明网络仍在学习； 奈斯，继续训练 train loss 下降，val loss上升，说明网络开始过拟合了；赶紧停止，然后数据增强、正则 train loss 不变，val loss不变，...
- 2025-09-12 00:44陆宜君的博客 你是否在训练GPT-2时遇到loss曲线波动剧烈、收敛缓慢甚至不收敛的问题？作为自然语言处理领域的经典模型，GPT-2的训练过程往往让开发者头疼不已。本文将通过分析[src/model.py]...
- 2020-12-23 11:02在PyTorch中，训练深度学习模型时，记录并可视化损失(loss)和准确率(accuracy)曲线对于理解和优化模型性能至关重要。在这个例子中，我们使用LeNet5模型来识别图像，并通过TensorboardX来实现这一目标。LeNet5是Yann ...
- 2025-03-10 11:07一杯水果茶！的博客 训练和验证损失以及使用 TensorBoard 来查看 loss 曲线
- 2026-01-01 00:43大思兄的视界的博客 深入解读YOLOv8训练过程中box_loss、cls_loss和dfl_loss的变化规律，结合实际问题提供调参建议。通过分析损失行为诊断模型训练状态，帮助开发者从数据质量、学习率设置到增强策略进行有效优化，提升目标检测性能。
- 2020-06-15 18:21若初见zl的博客 原因2：训练loss是在每个epoch过程中测量的，而验证loss是在每个epoch后测量的。 解决方法：平均而言，训练损失的测量时间是前一个时期的1/2。如果将训练损失曲线向左移动半个epoch，则损失会更好。 原因3：您的...
- 2019-11-03 23:27flyfor2013的博客 我是否意外地将训练和验证loss绘图的标签切换了？ 潜在地。 我没有像matplotlib这样的绘图库，因此将丢失日志通过管道传输到CSV文件，然后在Excel中进行绘图。 绝对容易发生人为错误。 我的代码中有错误吗？ 几乎...
- 2022-12-31 10:18ytusdc的博客 这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。...
- 2024-07-10 21:52鱼儿也有烦恼的博客 深度学习调参基础 1.需要调节的超参数有哪些？ 2.什么时候需要调参？ 3.如何调参？ 3.1过拟合情况调参 3.2欠拟合情况调参 3.3收敛但震荡情况调参 3.4不收敛情况调参 4.调参示例 需要调节的超参数有哪些？和网络结构...
- 没有解决我的问题, 去提问
问题事件
系统已结题
3月31日
已采纳回答
3月23日-
创建了问题
3月22日