我正在实现pytorch神经网络(回归(，并希望确定最佳网络拓扑、优化器等。我使用交叉验证，因为我有x个测量数据库，我想评估我是否可以用x个数据库的子集训练神经网络，并将神经网络应用于看不见的数据库。因此，我还介绍了一个测试数据库，在超参数识别阶段我不使用它。我对如何处理交叉验证中的时期数量感到困惑，例如，我有一个时期数量=100。有两种选择：
-
时期的数量是一个需要调整的超参数。在每个历元中，确定所有交叉验证迭代的平均误差。在使用所有网络拓扑、优化器等对模型进行训练后，确定具有最小平均误差的模型，该模型具有以下参数：
-网络拓扑：1
-优化器：SGD
–时期数：54
为了计算测试集上的性能，在训练和验证数据上使用这些参数(时期数=54(来训练模型。然后在测试集上进行应用和评估。 -
划时代的数量不是一个需要调整的超参数。使用所有网络拓扑、优化器等对模型进行训练。对于每个模型，使用误差最小的时期数量。对模型进行比较，可以使用以下参数来确定最佳模型：
-网络拓扑结构：1
-优化器：SGD
为了计算测试数据的性能，使用了"简单"的训练和验证分割(例如80-20(。利用上述参数和训练和验证数据上的100个历元对模型进行训练。最后，在测试数据上评估了一个具有产生最小验证误差的多个时期的模型。
哪个选项是正确的还是更好的？
划时代的数量最好不要微调。选项2是一个更好的选项。事实上，如果历元的数量是固定的，则不需要设置验证集。验证集为您提供已保存模型的最佳历元。