californication（californication歌词翻译在线）

本文的数据来源于 Google Calibration 在上一个版本中，我们已经对如何训练机器学习模型进行了介绍。 我们通过对不同的网络和存储方案做对比，为大家介绍在现有数据集上如何通过实验实现特定模型的最优性能。 这篇文章也可以看做是这个版本的更新。 作者从数据出发，通过对实验结果和性能的对比，得出了一些有趣的结论，并且用机器学习中常用的 kaggle进行验证。 另外由于数据集可能非常大（高达几十万个），这篇文章是一段压缩了的代码，只对实验数据做了简单说明。 由于数据集太大了（高达几百 TB），所以我们仅包含了一个简单版（pull）和两个加强版（pull+ stack）： 需要指出的是，本文中所有原始模型都来自于 Google开源项目：

• 1.使用不同的网络进行训练

  [1]训练数据集： [2]训练方式： [3]评估指标： [4]模型预测：

• 2.对数据集进行标准化处理

  我们可以对网络的每一层都做标准化，这样我们就能很好的使用网络中存在的任意一层，并且通过对数据的分析，我们能很容易的得到网络在不同层之间有多大的性能差异。 这里使用了 google python和 Python编写脚本实现，在这两个中，使用到了 setpy, gpy，以及lrb_size. js。

• 3.通过 kaggle实现算法性能对比

  这里我们先来看一下训练集和测试集的结果。 [从上面截图可以看出，虽然 pull的原始网络在数据集中不是最好的，但是它在性能上也已经足够好了。 [这里我们将每一个网络单独测试一遍，以获得最佳的性能。如果没有专门跑训练和测试，那么我们也可以通过一组测试来对性能进行评估（例如在一个不同数据集上同时进行多次训练和多次测试）。] [我认为最大的区别在于：训练集比测试集要小很多。]

• 4.不同方案性能比较的结论

  对于每个实验，作者会使用相同的实验数据和训练参数，并以不同的网络存储方案来进行比较。 如果需要更多的细节，可以参考该文章中对应于各个模型的详细对比代码。 注：图中展示了不同训练参数下各模型的性能曲线，并使用了每个方案在所有实验中的性能平均值作为对比参数。

• 5.总结

  本文从数据出发，介绍了一种对机器学习模型性能影响最大的网络和存储方案。 对于我们现有数据集，作者给出了三种不同的存储方案，分别是使用 kaggle进行训练的（db_ kaggle）、对训练过的模型用 volatile patch存储（volatile patch），以及使用 spark进行存储。 对于我们现有数据集，作者给出了两种不同方法来实现一个模型。 在这里，我们还对本文涉及到的一些关键点做了总结。 除了文中提到的三种方案，作者还介绍了几种实现其他模型或者对数据集进行预处理的方法。