Maaaring maging hamon ang pagsasanay sa mga convolutional neural network (CNN) dahil sa iba't ibang karaniwang patibong.
Labis na Angkop
Ang labis na pag-aangkop ay nangyayari kapag ang CNN ay nag-aaral ng mga datos ng pagsasanay nang husto, kabilang ang ingay at mga outlider, na nagbubunga ng mahinang paglalahat sa bagong datos. Ito ay kadalasang humahantong sa mataas na eksaktung-tumpak ngunit mababang ekwasyong feedficial.
Upang matugunan ang labis na pangangailangan, ang mga pamamaraan na gaya ng pagdaragdag ng impormasyon, paghinto, at maagang paghinto ay karaniwang ginagamit. Ang mga pamamaraang ito ay tumutulong sa modelo na gawing mas mahusay ang pangkalahatan sa pamamagitan ng paghadlang dito na labis na umasa sa espesipikong mga halimbawa sa pagsasanay.
Hindi Angkop
Ang underfit ay nangyayari kapag ang modelo ay masyadong simple o hindi sinanay nang sapat upang makuha ang mga saligang pattern sa data.Ito ay nagbubunga ng mahinang pagganap sa parehong pagsasanay at adventation datasets.
Ang dumaraming masalimuot na modelo, pagsasanay para sa mas maraming epoch, o pag - aayos ng mga hyperparameter ay makatutulong sa pag - aayos ng mga impormasyong angkop sa impormasyon.
Pagkatuto ng mga Isyu sa Pagdami
Ang bilis ng pagkatuto ay kumokontrol sa dami ng timbang ng modelo na nai - update sa panahon ng pagsasanay. Ang isang antas ng pagkatuto na napakataas ay maaaring maging sanhi ng pagbabagu - bago ng modelo, samantalang ang napakababang bilis ay maaaring magpabagal sa pagsasanay o magpangyari rito na maipit.
Ang paggamit ng mga iskedyul sa pagkatuto o mga pagbabagong optimista na gaya ni Adan ay makatutulong upang mapanatili ang isang ganap na antas ng pagkatuto sa buong panahon ng pagsasanay, anupat pinabubuti ang pagkakaisa at huwarang pagganap.
Hindi sapat na mga Data o mga Klaseng Hindi Pabagu - bago
Ang limitadong datos ay maaaring makahadlang sa kakayahan ng CNN na matuto ng mga pangkalahatang-katangian. Ang mga klaseng imbalanced ay maaaring magtangi ng modelo tungo sa karamihan ng mga klase, na binabawasan ang katumpakan sa mga klaseng minorya.
Kabilang sa mga solusyon ang pagkolekta ng mas maraming datos, paglalagay ng mga datos na pandagdag, at paggamit ng mga pamamaraang katulad ng pagtitimbang ng timbang ng klase o labis na pag-aalsa upang maging balanse ang mga klase.