关于RM中的深度学习算子(H2O)和扩展(DL4j)

varunm1

你好,

我正在使用基于H2O的深度学习算子和基于DL4j的深度学习扩展。我正在寻找这些操作符是否可以在其中嵌入可适应的时代。这类似于需要训练的epoch的数量可以根据验证集的准确性(性能)自动确定。例如，如果验证集的准确性在增加，那么模型可以训练更多的epoch，直到它开始减少。就像在深度学习中一样，如果我们有更少的时间点，模型就会训练不足，如果有更多的时间点，就会出现过拟合的问题，为了选择最优的时间点数量，我们在当前的算子或扩展中有任何选择吗?

还有一个问题是，我在深度学习算子(H2O)中看到，如果我有两层，为什么需要为两层指定dropout ?是否不能为单个层指定漏出率?根据Hinton的dropout论文，我看到建议是为每个完全连接的层添加，但这是强制性的吗?

谢谢
Varun

sgenzer

cc@pschlunder

User36964

1-据我所知，没有特殊的操作符来优化参数，如epoch。但是您可以将优化参数运算符与日志运算符一起使用。

2-如果你有2个隐藏层，你可以设置退出比率为0.35,0.50。这意味着第一个隐藏层为0.35 drop out，第二层为0.5 drop out。但是你必须为每一层指定一个比例