Keras交叉验证准确度在每个时期之后稳定在（1 / output_classes）

Question

我目前正在尝试使用大量扬声器训练DNN进行语音识别，每个扬声器都有自己的标签（output_classes =扬声器总数）。 我的数据库现在有300个发言人，Keras模型摘要如下：

  

1240（输入大小） - ＆gt; 256隐藏 - ＆gt; 256隐藏 - ＆gt; 256隐藏（0.5辍学） - ＆gt; 256（0.5辍学） - ＆gt; Softmax（300）

我正在分批提供数据（每个演讲者数据=一批）并使用以下优化器：

model.compile(
    loss='categorical_crossentropy',
    optimizer='Adam',
    metrics=['accuracy'])

和fit_generator如下：

model.fit_generator(
    trainGen(i=0),
    steps_per_epoch=num_class,
    epochs=500,
    validation_data=(x_test, y_test))

其中trainGen是我的生成器函数

在训练时，交叉验证的准确性总是稳定在0.0033，即1/300。然而，培训和交叉验证损失在每个时代之后都在下降。 有什么建议吗？

Answer 1

所以，事实证明我的网络太大了，因为我的数据库太小了。添加更多数据和正规化最终有助于获得良好的准确性。