python - 如何确认 LSTM 网络的收敛性？

我正在使用 LSTM 使用 Keras 进行时间序列预测。我使用了 3 个 LSTM 层，dropout=0.3，因此我的训练损失高于验证损失。为了监控收敛，我将训练损失和验证损失一起绘制。结果如下所示。

在研究了这个话题之后，我看到了多个答案，例如（[1] [2]，但我在互联网上的不同地方发现了几个相互矛盾的论点，这让我有点困惑。我在下面列出了其中的一些：

1) Jason Brownlee提出的文章建议验证和训练数据应该满足收敛，如果它们不满足，我可能会欠拟合数据。

2）但是，此处的以下答案表明我的模型刚刚收敛：

因此，总的来说，我对整个概念有点困惑。任何帮助将不胜感激。

标签： pythontensorflowkeraslstmrecurrent-neural-network

收敛意味着你有一些东西要收敛。要使学习系统收敛，您需要事先了解正确的模型。然后你会训练你的模型，直到它与正确的模型相同。那时你可以说模型收敛了！...但机器学习的全部意义在于，我们一开始并不知道正确的模型。

那么什么时候停止训练呢？在实践中，当模型运行得足够好，可以做你想让它做的事情时，你就会停下来。这可能是当验证错误低于某个阈值时。可能只是当您负担不起更多的计算能力时。这真的取决于你。