Early Stopping beim Validierungs-Loss
Stoppen Sie, bevor Overfitting entsteht.
Early Stopping beim Validierungs-Loss ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Zu langes Training schadet
Mehr Epochen sind nicht immer besser. Ab einem bestimmten Punkt beginnt das Modell, sich Rauschen zu merken, und die Validierungsergebnisse werden schlechter. Early Stopping beendet das Training am optimalen Punkt.
Den Validierungs-Loss beobachten
Die beobachtete Kennzahl ist der Validierungs-Loss. Solange er sinkt, generalisiert das Modell weiterhin besser, daher lassen Sie das Training fortsetzen.
Der Wendepunkt
Irgendwann sinkt der Trainings-Loss weiter, während der Validierungs-Loss sein Minimum erreicht und wieder steigt. Dieser Anstieg markiert den Moment, in dem Overfitting die Oberhand gewinnt.
Den besten Wert merken
Speichern Sie den bisher beobachteten besten Validierungs-Loss in einer Variable. Vergleichen Sie in jeder Epoche den neuen Wert damit, um festzustellen, ob ein Fortschritt erzielt wurde.
best_loss = float('inf')Epochen ohne Verbesserung zählen
Wenn eine Epoche den bisherigen Bestwert nicht übertrifft, erhöhen Sie einen Zähler. Sobald sich der Validierungs-Loss wieder verbessert, setzen Sie ihn auf null zurück.
if val_loss < best_loss:
best_loss = val_loss
counter = 0
else:
counter += 1Eine Geduld festlegen
Patience gibt an, wie viele schlechte Epochen Sie tolerieren, bevor Sie abbrechen. Ein kleiner Wert beendet das Training schnell, ein größerer übersteht auch verrauschte Rückgänge.
patience = 5Abbrechen, wenn die Geduld aufgebraucht ist
Sobald der Zähler die Geduld erreicht, beenden Sie die Schleife. Dieses break beendet das Training, bevor das Modell durch weiteres Training schlechter wird.
if counter >= patience:
breakDas Beste zwischendurch speichern
Speichern Sie jedes Mal, wenn sich die Validierung verbessert, einen checkpoint. Wenn Sie schließlich anhalten, enthält diese gespeicherte Datei das leistungsstärkste Modell und nicht das letzte.
if val_loss < best_loss:
torch.save(model.state_dict(), 'best.pt')Ein minimales Delta hinzufügen
Winzige Schwankungen können wie ein Scheinerfolg aussehen. Ein min_delta verlangt eine Verbesserung, die größer als ein Schwellenwert ist, bevor der Geduldszähler zurückgesetzt wird.
if val_loss < best_loss - min_delta:
best_loss = val_lossAm Ende das beste Modell wiederherstellen
Laden Sie nach der Schleife Ihren gespeicherten Checkpoint, damit Sie tatsächlich das beste Modell bereitstellen. Frühes Beenden ist sinnlos, wenn Sie die schlechteren Gewichte des letzten Durchlaufs behalten.
model.load_state_dict(torch.load('best.pt'))Eine kostenlose Form der Regularisierung
Early Stopping verursacht keine zusätzlichen Kosten und wirkt dennoch wie ein Regularisierer gegen Overfitting. Zusammen mit Dropout und Weight Decay sorgt es für ein noch stabileres Training.
Kurze Überprüfung
Was steuert die Einstellung patience beim Early Stopping?
Zusammenfassung
Überwachen Sie den Validierungsverlust, zählen Sie Epochen ohne Verbesserung, stoppen Sie, sobald die Geduld aufgebraucht ist, und stellen Sie den besten Checkpoint wieder her. Early Stopping spart Zeit und begrenzt Overfitting. ⏹️
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Early Stopping beim Validierungs-Loss“ kostenlos?
Ja — der vollständige Text von „Early Stopping beim Validierungs-Loss“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Early Stopping beim Validierungs-Loss“?
Stoppen Sie, bevor Overfitting entsteht. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Early Stopping beim Validierungs-Loss“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Training, Validierung und Test aufteilen
- Eine Epochenschleife mit Validierung
- Mit state_dict speichern und laden
- Early Stopping beim Validierungs-Loss