我已经下载了Imagenet2011数据集，并尝试使用说明Caffe在其上训练here imagenet网络。我使用大约500K图像进行训练，使用70K图像进行验证。
我还下载了用于实验的ILSVRC 2012验证集。
结果如下：
在ILSVRC 2012官方验证集上 我的网络：准确率为46％，原始Caffe Imagenet网络：准确度为56％。
在我的验证集上：我的网络：准确率为53％，原始Caffe Imagenet网络：准确度为80％。
关于我的训练数据（检查是否过度拟合）：我的网络：99％准确度，原始Caffe Imagenet网络：70％准确度。
我想请求一些有关培训的帮助和提示：
我感觉我的新网络过度拟合。你同意吗？我应该使用更多图像吗？使用数据增加来机械地增加训练集的大小？或者更改dropout参数？
在论文＆＃34; Imagenet分类中使用深度卷积神经网络＆＃34;作者：Krizhevsky等。 1它说作者使用1.2M图像进行训练并使用数据增强2，将训练数据的大小增加2048倍。但是，没有数据增加（除了随机翻转）在为imagenet培训提供的代码中完成。是不是真的需要数据扩充？
我只对ImageNet数据集中的大约100个课程感兴趣。假设我只用100个类，总共100K图像训练imagenet网络（从头开始）。它远远低于最初的1.2M图像，但它的类别也少得多。网络是否过度适应或者它会在这100个类别中表现出色？或者我应该只为100个课程使用不同的网络架构？训练Imagenet网络然后只使用这100个类进行微调会更好吗？
对于原始的1K类别，我只有500K图像（而不是1.2M）。我应该使用包含更多图像的类别吗？如何使用更多类别（和图像）？
提前致谢！
吉尔
1 Krizhevsky，Alex，Ilya Sutskever和Geoffrey E. Hinton。 ＆＃34;使用深度卷积神经网络进行Imagenet分类。＆＃34;神经信息处理系统的进展。 2012.
2＆＃34;第一种形式的数据增强包括生成图像平移和水平反射。我们通过从256x 256图像中提取随机224 x224补丁（及其水平反射）并在这些提取的补丁4上训练我们的网络来实现这一点。这使我们的训练集的大小增加了2048倍，尽管由此产生的训练样例当然是高度相互依赖的。＆＃34;