模型训练方法之间的比较

Question

假设我有一个数据集，由于 Kaggle Notebook Environments 施加的限制，我决定将一个大数据集拆分为“块”； A、B 和 C。此外，我想将模型训练 10 个 epoch。如果我按如下方式训练模型是否会有所不同：

A ---> 10 个时期

B ---> 10 个时期

C ---> 10 个时期

与这种方法相比：

A ---> B ---> C [Epoch 1] ---> A ---> B ---> C [Epoch 2] ---> ... ---> A --- > B ---> C [Epoch 10]

此外，如果我认为存在但不确定的差异，那么一种方法是否比另一种更好？

Answer 1

对于机器学习，基本上您必须将所有训练数据放在一起，这样您的模型就不会遗漏数据集中包含的任何模式。我想说的是，在你训练你的模型之前还有一大步是 Shuffle。想象你一直被要求做纯数学，突然你的老师把你放在一个地理问题面前，让你解决它，你会有点不知道该怎么做，机器也是一样！所以一定要使用所有的数据来训练你的模型，如果你的 A--->B--->C [Epoch 1] 是一个打乱的数据，那很好，或者你必须打乱它。