本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 範例：檢視訓練和驗證曲線
<a name="train-valid-curve"></a>

一般而言，您會將訓練模型的資料分割成訓練和驗證資料集。您可以使用訓練組來訓練模型參數，以用來依據訓練資料集進行預測。然後，您可以計算驗證組的預測結果，以測試模型預測的準確度。若要分析訓練任務的效能，通常是繪製訓練曲線和驗證曲線。

檢視訓練組和驗證組隨著時間的準確度圖表，有助您改進模型的效能。好比說，如果訓練準確度隨著時間持續增加，但某個時間點的驗證準確度開始降低，您可能過度擬合模型。若要解決此問題，您可以調整模型，例如提高[正規化](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#regularization)。

在此範例中，您可以使用 SageMaker AI 筆記本執行個體的**範例筆記本**區段中的 **Image-classification-full-training** 範例。如果您沒有 SageMaker 筆記本執行個體，請遵循[建立教學課程的 Amazon SageMaker 筆記本執行個體](gs-setup-working-env.md)的指示建立一個。您也可以遵循 GitHub 上範例筆記本中的[端對端多類別影像分類範例](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/imageclassification_caltech/Image-classification-fulltraining.html)。您也需要 Amazon S3 儲存貯體來存放訓練資料及用於模型輸出。

**檢視訓練和驗證錯誤曲線**

1. 開啟位在 [https://console.aws.amazon.com/sagemaker](https://console.aws.amazon.com/sagemaker) 的 SageMaker AI 主控台。

1. 選擇**筆記本**，然後選擇**筆記本執行個體**。

1. 選擇您想要使用的筆記本執行個體，然後選擇**開啟**。

1. 在筆記本執行個體的儀表板上，選擇 **SageMaker AI 範例**。

1. 展開 **Amazon 演算法簡介**區段，然後選擇 **Image-classification-fulltraining.ipynb** 旁邊的**使用**。

1. 選擇**建立複本**。SageMaker AI 會在您的筆記本執行個體中建立 **Image-classification-fulltraining.ipynb** 筆記本的可編輯複本。

1. 執行筆記本中的所有儲存格，直到**推論**區段。您不需要部署端點或取得此範例的推論。

1. 啟動訓練任務後，在 [https://console.aws.amazon.com/cloudwatch](https://console.aws.amazon.com/cloudwatch) 開啟 CloudWatch 主控台。

1. 選擇**指標**，然後選擇 **/aws/sagemaker/TrainingJobs**。

1. 選擇 **TrainingJobName**。

1. 在**所有指標**標籤上，選擇您在筆記本中所建立之訓練任務的 **train:accuracy** 和 **validation:accuracy** 指標。

1. 在圖形上，選擇要放大指標值的區域。您應該會看到類似下列範例的內容。  
![\[圖形中的放大區域。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/train-valid-acc.png)