一、Loss曲线
在模型的预训练或者微调过程中，我们一般通过观察loss曲线来得出模型对于数据集的学习效果等信息。那么我们如何根据loss曲线得到一些信息呢？
通常数据集会被划分成三部分，训练集（training dataset）、验证集（validation dataset）、测试集（test dataset）。我们在训练模型时也经常会根据训练集的loss和验证集loss来诊断模型，从而期望能够优化参数训练处一个更好的模型，这个更好指的是能在测试集上表现更好的模型，也就是泛化能力（generalization）强的模型。那怎么根据loss曲线去诊断模型呢？
首先根据模型的表现我们把它分成三类：
- Underfit（欠拟合）
- Overfit（过拟合）
- Good fit （完美拟合）
那我们目标肯定是得到一个good-fit模型，但是在训练过程中会出现Underfit和Overfit。那么我们需要做的就是首先根据loss曲线判断模型现在处于哪种拟合情况，然后再进行调整参数。那我们先看看每种拟合的loss曲线是怎样的？
1.Underfit（欠拟合）
Underfit指的是模型不能很好的学习训练集。
如下图所示，这就是一个Underfit的例子，仅根据training loss就可以判断。这个training loss下降的非常平缓以致于好像都没有下降，这说明模型根本没有从训练集学到什么东西！
下图也是Underfit情况，这种情况的特点是在训练结束时候training loss还在继续下降，这说明还有学习空间，模型还没来得及学就结束了。
2.Overfit（过拟合）
Overfit指的是模型把训练集学的有点过了，以致于把一些噪音（noise）和随机波动（random fluctuations）也学进来了。就好像抄别人卷子时候把别人的错别字也照抄一样。这也是我们在训练中最经常出现的问题，overfit有时候是因为训练太久造成的。那Overfit的loss曲线长什么样呢？
如下图所示，overffit时候training loss一直在不断地下降，而validation loss在某个点开始不再下降反而开始上升了，这就说明overfit，我们应该在这个拐点处停止训练。
3.Good fit （完美拟合）
Good git是我们的目标，它在loss曲线上的特点是training loss和validation loss都已经收敛并且之间相差很小很小。如下图所示，模型在20轮过后，两个loss曲线都开始收敛，而且两者之间并没有肉眼的差距。 通常traing loss会更小，这样他们之间就会有个gap，这个gap叫做generalization gap。
二、不同Loss表现
3.1 Underfit
我们使用随机梯度下降（SGD）优化器，学习率为0.01，训练10轮，代码如下
#underfit
epochs = 10
sgd = optimizers.sgd(lr=0.01)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])
然后我们就得到了一个Underfitting模型，如下图所示，在训练结束的时候training loss还在下降，这说明模型还未学习充分。
3.2 Overfit
然后我们使用sgd作为优化器时候，训练30轮
#overfit
epochs = 30
sgd = optimizers.sgd(lr=0.01)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])
结果出现了过拟合的情况，loss曲线如下图
文章来源：https://www.toymoban.com/news/detail-804225.html
Reference
https://machinelearningmastery.com/learning-curves-for-diagnosing-machine-learning-model-performance/文章来源地址https://www.toymoban.com/news/detail-804225.html
到了这里，关于【根据loss曲线看模型微调效果】如何使用loss曲线诊断机器学习模型性能的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[玩转AIGC]LLaMA2之如何微调模型](https://imgs.yssmx.com/Uploads/2024/02/772550-1.png)
