llychsdu
妖小絔
2021-03-23 15:58
采纳率: 20%
浏览 79

vgg19训练图像分类,分成两类,这样训练出来的网络是否过拟合了?

每类对象1980个,尺寸64*64,批量20,学习率0.001,训练次数4740,

训练准确度99.4%,而在测试集上准确度下降到97.1%;

  • 点赞
  • 写回答
  • 关注问题
  • 收藏
  • 邀请回答

3条回答 默认 最新

  • qq_34124780
    爱晚乏客游 2021-03-23 17:05
    已采纳

    1k5左右就差不多了,过拟合的话不一定,要看下有没有防止过拟合的手段,如果你的项目是开源项目的话,一般会有这方面的限制的。

    点赞 评论
  • wjinjie
    AI 菌 2021-03-25 10:45

    你好,首先回答你的问题:确实过拟合了!

    问题分析:

    (1)从你的实验结果来分析。训练集上准确度是99.4%,测试集上准确度是97.1%,很明显精度降低了不少,这是过拟合最明显的征兆。

    (2)猫狗分类问题是一个很简单的图图像二分类问题,而VGG19采用了16个卷积层、3个全连接层,这会造成训练参数冗余,用这种大网络去处理小问题很容易造成过拟合。

    解决方案:

    (1)调整网路,选用更轻便的VGG13或者VGG16。当然,也可以选择使用层数更低的AlexNet来尝试。

    (2)增加Dropout,随机断开神经网络之间的连接,减少每次训练时实际参与计算的模型的参数量,从而减少了模型的实际容量,来防止过拟合。

    (3)增加正则化,这是通过在损失函数上添加额外的参数稀疏性惩罚项(正则项),来限制网络的稀疏性,以此约束网络的实际容量,从而防止模型出现过拟合。

    (4)数据增强,即增加训练样本,这也是解决过拟合最直接的一种方式。

    以上的解决方案,可以具体参考我之前的博客专栏:https://blog.csdn.net/wjinjie/category_9766908.html

    最后,答题不易,如果觉得我的回答对你有帮助,那就请给个采纳吧~

    点赞 1 评论
  • cc__cc__
    cc__cc__ 2021-03-23 16:04

    感觉还好呀。

    可以减少一下训练次数,或者调整一下其它参数看看测试集的准确率会不会有提升了。

    点赞 评论

相关推荐