本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，视频的链接如下：
也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~
在训练神经网络时，我们需要做出很多决策，例如神经网络分多少层、每层含有多少隐藏单元、学习率是多少、各层采用哪些激活函数。
当构建新的深度学习应用时，我们不可能从一开始就准确预测出这些信息，以及其他超参数。
实际上，应用深度学习是一个经验性、高度迭代的过程。人们通常从一个初始想法开始，然后编写代码，并尝试运行代码，通过运行和测试得到神经网络的运行结果，然后根据运行结果，调整策略，多次循环不断完善神经网络。创建高质量的训练集、验证集与测试集，有助于提高迭代效率。
对于数据集，人们通常会将这些数据划分成几部分，一部分作为训练集（Training set），一部分作为验证集（Development set），最后一部分则作为测试集（Test set）。
训练集用于执行训练算法，验证集用于检验算法，选择最好的模型。经过充分验证，选定了最终模型后，就可以在测试集上进行评估了。测试集的主要目的是评估模型的性能。
在”小数据“时代，数据集划分的常见做法是将所有数据七三分，即训练集与测试集的数据分别占 70%，30%（没有验证集）；或者训练 / 验证 / 测试集数据分别占 60%，20%，20%。
当数据量小于 10000 时，上述的划分方法是合理的。但是在”大数据“时代，数据量可能是百万级别，那么验证集和测试集占数据总量的比例会趋向于变得更小。
例如在 100 万个数据中，验证集和测试集各需要 10000 个，那么训练集训练集数据就有 98 万，训练 / 验证 / 测试集数据分别占 98%，1%，1%。
最后，要确保验证集和测试集来自同一分布。有时候没有测试集也是可以的， 这时验证集一部分作用是充当测试集，所以也叫验证测试集。