我有一个神经网络的问题
假设我有60次训练，20次验证和20次测试。对于每个时期，我在调整每个样本的权重的同时运行60个训练集样本，并计算每个验证样本的误差。
据我所知，体重更新发生在训练集中（非验证集）
但我听说训练集中的分离验证集是为了避免过度拟合。
那我的问题是
如果验证没有在神经网络中更新任何权重，验证集如何帮助神经网络避免过度拟合？
正如您所说，它不是用于更新神经网络的权重，而是用于监控训练的进度。防止过度拟合的第一步是检测它，并且使用验证集提供了一个独立的度量，衡量网络在训练集之外的概括程度。
因此，例如，您可以使用验证集来决定何时停止训练（在开始过度训练之前）。如果您这样做，请记住使用另一组（测试集）来生成最终评估指标。
验证集用于model selection。大多数时候，从一开始就不清楚什么样的架构（神经网络拓扑，层数，层的选择和顺序等）或超参数值（学习率，层大小，丢失概率等）将产生最佳结果。
尝试不同的架构和超参数来选择最佳模型是合乎逻辑的。但是，如果您在测试集上评估每个模型，则意味着您正在根据测试集做出决策，因此测试性能（例如准确性）不再是独立的，并且可以捕获模型的概括性。这就是为什么选择不同于测试集的另一个集合进行验证的常见原因。
还要注意，为了检测过度拟合或欠拟合，需要同时具有训练和验证结果，因为训练损失或准确性本身并不能说明任何事情。这就是为什么必须进行验证以避免过度拟合（而不仅仅是）。