CNN网络测试集准确率始终无法提高

Question

大家好，本人是在读本科生，近期在完成学校布置的自主任务时，遇到了一些问题，希望大家予以帮助
任务是这样的，利用卷积网络对人类表情数据进行分类，数据集具体大小为：
训练集: 28709
测试集: 7178
数据集中的类别有 7 个 具体为: ['anger' 'disgust' 'fear' 'happy' 'neutral' 'sad' 'surprised']
我采用的是简化版的vgg网络，最初得到的结果出现过拟合（并且测试集的损失不降反升），由此我添加了正则化项，并引入了Dropout层，Dropout设置的值为0.6，最终得到的结果如图，我反复修改了很多参数，也引入了批次数据标准化，但测试集的准确率始终为0.5左右，如何解决，万分感谢！

Answer 1

引自免费微信小程序：皆我百晓生

根据你提供的描述和图表信息，针对你的CNN网络在测试集上准确率无法提高的问题，我们可以从以下几个方面进行分析和优化：

1. 数据增强: 考虑到表情数据的特性，可以尝试进行数据增强操作，如旋转、缩放、裁剪等，以扩充数据集并增加模型的泛化能力。
2. 模型结构: 虽然你使用了简化版的VGG网络，但可能需要进一步的优化。尝试调整网络层数、特征图的大小和数量等，以找到最优结构。
3. 超参数调整: 除了Dropout值和批次数据标准化，还可以尝试调整其他超参数，如学习率、批量大小、权重初始化方法等。
4. 正则化项: 你已经添加了正则化项来防止过拟合。请确保正则化强度设置得当，避免过强的正则化导致模型欠拟合。
5. 损失函数: 考虑尝试不同的损失函数，如交叉熵损失等，以更好地适应表情分类任务。
6. 训练策略: 采用一些训练策略，如早停法(Early Stopping)，在验证集性能不再提高时提前停止训练，以避免过拟合。
7. 模型融合: 可以尝试使用多个模型进行训练，并在最后阶段采用模型融合的方法，如平均或投票，以提高预测的准确性。
8. 可视化与调试: 使用可视化工具对模型进行调试，观察训练过程中各层的输出和特征图，以发现潜在的问题并进行调整。

由于没有具体的代码和模型结构细节，以上建议仅作为一般性的指导。为了更好地解决你的问题，建议提供更详细的代码、模型结构和数据预处理信息，以便进行更具体的分析和优化。此外，可以查阅相关文献和教程，了解最新的表情识别技术和方法。