val 数据集或验证数据集将用于查找理想的超参数并测量过度拟合。 在*时期结束时*,即网络有机会观察训练集中的每个数据点时,我们将对 val 集进行预测。 该预测将用于监视过度拟合,并将帮助我们知道网络何时完成训练。 像这样在每个时期末尾使用 val 设置与典型用法有些不同。 有关保留验证的更多信息,请参考 Hastie 和 Tibshirani 撰写的[《统计学习的要素》](https://web.stanford.edu/~hastie/ElemStatLearn)。
val 数据集或验证数据集将用于查找理想的超参数并测量过度拟合。 *在时期结束时*,即网络有机会观察训练集中的每个数据点时,我们将对 val 集进行预测。 该预测将用于监视过度拟合,并将帮助我们知道网络何时完成训练。 像这样在每个时期末尾使用 val 设置与典型用法有些不同。 有关保留验证的更多信息,请参考 Hastie 和 Tibshirani 撰写的[《统计学习的要素》](https://web.stanford.edu/~hastie/ElemStatLearn)。
注意,这里的形状是`half_batch`*x 28 x 28 x 1* 。 `half_batch`正是您所想的。 我们将创建一半的生成图像,因为另一半将是真实数据,我们将在下一步进行组装。 要获取真实图像,我们将在`X_train`上生成一组随机索引,并将`X_train`的切片用作真实图像,如以下代码所示: