val_loss增加，而val_acc使用pre_training模型inception_v3保持在60％

Question

我的代码：

img_width, img_height = 139, 139
train_data_dir = 'newdata64/train'
validation_data_dir = 'newdata64/validation'
nb_train_samples =1500
nb_validation_samples = 948
epochs = 1000
batch_size = 10

base_model = InceptionV3(weights='imagenet', 
include_top=False,input_shape=(img_width,img_height,3))
x = base_model.output
x = Flatten()(x)
x = Dense(64)(x)
x = BatchNormalization()(x)
x = Activation('relu')(x)

x = Dropout(0.8)(x)

x = Dense(2)(x)
x = BatchNormalization()(x)
x = Activation('softmax')(x)
model = Model(inputs=base_model.input, outputs=x)
model.compile(optimizer=SGD(lr=0.00001, momentum=0.4), 
loss='categorical_crossentropy',metrics=['accuracy'])

我已尝试使用图像生成器进行数据论证，添加dropout（0.5），在FC图层后添加BN，但val_loss正在增加，而损失会下降，cal_acc似乎保持不变当acc达到100％时，值不会增加。 我只有很少的数据（1500个数据，948个验证数据）。 有没有解决这个问题的方法？

Answer 1

这是一个明显的过度装备。训练集是完美学习的，但模型不适用于测试数据。

鉴于您使用了高辍学率，可能是您的数据未在训练集和验证集之间正确分割。您可能在两个数据集中拥有非常不同的数据！

很难帮助您，因为我们对您要预测的内容以及数据集的外观没有任何见解。您的数据集中根本没有很多示例。