同一个 CNN 模型对不同的数据集需要不同的学习率吗？
Does the same CNN model needs different learning rates for different datasets?
我使用卷积神经网络模型进行医学图像分割。当我训练模型时（例如提拉米苏模型1），我尝试了论文中推荐的相同学习率，但是，我得到的结果很糟糕。
我担心的是，当我们将模型用于不同的数据集时，我们是否需要找到不同的最佳学习率。例如，在这种情况下，他们使用 CamVid 数据集（街道、汽车、人等），而我使用的是医学图像。
虽然可能有一些参数集在大多数情况下工作得很好（通常最终成为几个库的默认值），但最佳选择非常依赖于数据集。使用论文中的内容是建立基线的一个很好的起点，但永远不要阻止您尝试更改它们。
另一个重要的点是损失函数，损失函数可能适用于分割汽车（它们很大，超过图像的 20%），可能不适用于文本（小，不到 1%）图像）。
如果您有二进制分割，使用阈值来确定像素是否是您想要的 class 也很重要。
我使用卷积神经网络模型进行医学图像分割。当我训练模型时（例如提拉米苏模型1），我尝试了论文中推荐的相同学习率，但是，我得到的结果很糟糕。
我担心的是，当我们将模型用于不同的数据集时，我们是否需要找到不同的最佳学习率。例如，在这种情况下，他们使用 CamVid 数据集（街道、汽车、人等），而我使用的是医学图像。
虽然可能有一些参数集在大多数情况下工作得很好（通常最终成为几个库的默认值），但最佳选择非常依赖于数据集。使用论文中的内容是建立基线的一个很好的起点，但永远不要阻止您尝试更改它们。
另一个重要的点是损失函数，损失函数可能适用于分割汽车（它们很大，超过图像的 20%），可能不适用于文本（小，不到 1%）图像）。
如果您有二进制分割，使用阈值来确定像素是否是您想要的 class 也很重要。