我正在使用Python 3.5和TensorFlow构建一个用于模式识别的深度神经网络。在构建我的网络并创建训练集后，我使用TensorFlow中的以下函数来训练我的模型：

model = tflearn.DNN(net, tensorboard_dir='tflearn_logs')model.fit(train_x, train_y, n_epoch=2000, batch_size=8, show_metric=True)model.save(name + '.tflearn')

当我对从未见过的输入进行预测时，它的效果相当好。阅读Tflearn关于fit函数的文档后，我发现可以向该函数传递一个名为“validation_set”的参数，正如其名，这是一个用于验证模型的集合。

传递验证集和不传递验证集之间有什么区别？

回答：

实际上，在我看来，验证集的命名相当令人困惑。通常，在机器学习或深度学习中，验证适用于用于超参数调优的数据集，例如DNN的层数、每层的neurons数量或正则化的lambda值。所以它应该被命名为test_set。

但无论如何，你有两种方法在tflearn中指定验证集。一种是传递一个介于1和0之间的浮点数

model.fit(X, Y, validation_set=0.1)

这意味着fit方法将使用10%的训练数据来测试模型的性能，并且只使用90%的原始训练数据集进行训练目的。

或者你可以自己将数据集拆分为训练数据集和验证/测试数据集，并按如下方式传递它们：

model.fit(X_train, Y_train, validation_set=(X_test, Y_test))

有了验证集，你就可以自信地说出你的模型对“未见”数据的准确率，而不是使用诸如“当我对从未见过的输入进行预测时，它的效果相当好。”这样的声明。此外，如果你发现模型在训练数据上的准确率远高于在验证数据集上的准确率，你就知道你有过拟合问题，可以应用技术来解决它。