在训练阶段我的 CNN 验证准确性和损失函数的奇怪行为答案

【问题标题】：Weird behaviour for my CNN validation accuracy and loss function during training phase在训练阶段我的 CNN 验证准确性和损失函数的奇怪行为
【发布时间】：2020-09-01 09:13:13
【问题描述】：

这是我的网络架构：

cnn3 = Sequential()
cnn3.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
cnn3.add(MaxPooling2D((2, 2)))
cnn3.add(Dropout(0.25))
cnn3.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
cnn3.add(MaxPooling2D(pool_size=(2, 2)))
cnn3.add(Dropout(0.25))
cnn3.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
cnn3.add(Dropout(0.2))
cnn3.add(Flatten())
cnn3.add(Dense(128, activation='relu'))
cnn3.add(Dropout(0.4)) # 0.3
cnn3.add(Dense(4, activation='softmax'))
cnn3.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adam(),
              metrics=['accuracy'])

当我绘制了训练和验证准确度以及损失函数后，我得到了接下来的两个数字：

我不明白为什么验证准确率和损失都没有跟随训练准确率和损失？

【问题讨论】：

标签： python tensorflow validation keras training-data

【解决方案1】：

您的验证是跟踪训练损失和准确性。由于数据集较小，验证行中的抖动更大。训练和验证之间的偏移可能是由于某种程度的过度拟合。

【讨论】：

那么可以根据训练集和验证集的准确率值来检测过拟合吗？那么我应该增加验证数据集吗？
是的，通常您通过具有良好的训练性能和较差的（或不太好的）验证性能来检测过度拟合。增加验证集大小将使抖动更小，但这也意味着更小的训练集大小......
好吧，我正在使用 Imagegenration 进行数据增强，这会解决问题吗？
你绝对可以试试