验证损失达到最小值然后增加答案

【问题标题】：Validation loss hitting minimum then increasing验证损失达到最小值然后增加
【发布时间】：2021-04-07 21:20:18
【问题描述】：

可以看出，在 epoch 60 左右，我的验证损失开始增加，而我的验证准确度保持不变。似乎在那个时候它开始过度拟合，但如果只是记住我的训练数据，训练损失不会继续减少到接近零吗？我的模型似乎也很小，无法过度拟合（我正在尝试对 FFT 数据进行分类）。是不是我公然做错了什么？

这是我的模型：

model = Sequential()
model.add(Conv1D(filters = 32, kernel_size = 3, activation = 'relu', input_shape = (size, 1)))
model.add(Dropout(dropout))
model.add(GlobalMaxPooling1D())
model.add(Dropout(dropout))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid')) #Output layer

我的训练数据形状：

x: (1038, 2206)

y: (1038, 1)

我的参数：

EPOCHS = 300

LR = 1e-3

辍学 = 0.5

BATCH_SIZE = 128

顺便说一句，我的验证准确率约为 98%，但是当我在相同的验证数据上测试我的模型时，我得到了不正确的输出。我不认为我的验证数据制作不正确，因为我制作它的方式与我的训练数据完全相同。

【问题讨论】：

你的数据集大小是多少？
@Andrey 抱歉，我输入了我的验证数据形状。我有 1038 个样本，包含 2206 个值（每批将是 (128,2206)）。
使用过拟合，如果你的训练损失足够低，那么它将保持在一般范围内，而验证损失会增加。损失也很难变为零，即使是训练损失。我相信你对你过度拟合的最初假设是正确的。
所以我唯一的选择是扩大我的数据或缩小我的网络？ @AaronJones
不，您还可以评估您当前的数据集，看看是否有更好的方法可以分割您的数据集。也许您的验证数据集中有一些数据与您的训练数据集有很大的不同，可能会导致这种增加。我也不会让你的模型更小，而只是重新评估它的架构。

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

您的损失图看起来是经典的过度拟合，考虑到模型的简单性，这很奇怪。我要改变的模型中的一件事是你有

model.add(Dropout(dropout))
model.add(GlobalMaxPooling1D())
model.add(Dropout(dropout))

全局最大池没有激活函数，所以我认为不需要第二个 dropout 层。实际上，辍学率为 0.5，我也很惊讶你的模型火车就像它一样。您提到创建验证集，所以我假设您选择了验证数据。通常最好使用 sklearn 的 train_test_split 函数通过从完整数据集中随机选择来创建验证数据。有了 dropout 的数量，您的模型可能无法达到 100% 的训练准确度。我会尝试的一件事是使用 Keras 回调 ReduceLROnPlateau 使用可调整的学习率。设置它来监控验证损失。如果损失未能减少“耐心”的时期数，则学习率将减少一个“因子”，其中因子的值小于 1.0。文档位于here.以下是我对代码的推荐。

lr_adjust= tf.keras.callbacks.ReduceLROnPlateau(
    monitor="val_loss", factor=0.5, patience=2,verbose=1,mode="auto")

现在在 model.fit 添加 callbacks=[lr_adjust] 您不显示您的 model.compile 代码，但您可以尝试使用不同的优化器来查看它是否有效果。我推荐亚当优化器。我怀疑正在发生的是，您的测试集的概率分布与您的训练和验证集的概率分布显着不同。鉴于您在测试数据是“现实生活数据”时综合创建了后者，这使得概率分布不同的情况很可能发生。

【讨论】：

我选择我的验证数据是为了测试它是否适用于真实数据。我的训练数据是“合成的”（即生成的），而验证数据是您在现实生活中得到的数据。
我也喜欢这个答案，它扩展了学习率和 dropout 层对训练的影响。