模型训练方法的比较
A comparison between model training approaches
假设我有一个数据集，由于 Kaggle 笔记本环境的限制，我决定将一个大数据集拆分成 "blocks"； A、B 和 C。此外，我想训练模型 10 个 epoch。如果我按如下方式训练模型，会有什么不同吗：
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 [纪元 10]
此外，如果存在我认为存在但不确定的差异，一种方法是否比另一种更好？
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包含的任何模式。我想说的是，在训练模型之前还有一大步，即 Shuffle。想象一下，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，你会不知何故不知所措，机器也是一样！所以一定要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shuffle的数据，那就太好了，不然你就得shuffle了。
假设我有一个数据集，由于 Kaggle 笔记本环境的限制，我决定将一个大数据集拆分成 "blocks"； A、B 和 C。此外，我想训练模型 10 个 epoch。如果我按如下方式训练模型，会有什么不同吗：
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 [纪元 10]
此外，如果存在我认为存在但不确定的差异，一种方法是否比另一种更好？
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包含的任何模式。我想说的是，在训练模型之前还有一大步，即 Shuffle。想象一下，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，你会不知何故不知所措，机器也是一样！所以一定要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shuffle的数据，那就太好了，不然你就得shuffle了。