这是过度拟合的情况吗？ CNN图像分类器

Question

请问我，如果这个问题被认为是题外之意，或者通常只是一个不好的问题，我通常对Computer Vision和CNN都是陌生的。

我总共有3440张图像，共10个课。

每行每列

85张图像：

因为我的数据集中只有3440张图像，所以我使用数据增强将数据集增加到34400张图像。 （每张图片放大10次）

aug = ImageDataGenerator( 
       rescale = 1./255,
       rotation_range = 20, 
       width_shift_range = 0.10,
       height_shift_range = 0.10,
       zoom_range= 0.05
       )

这是我用于两个实例的模型。 （一旦增加，一次就没有）

model = Sequential() 

model.add(Conv2D(32, (3,3), input_shape = (50, 50, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

# 2 hidden layers
model.add(Flatten())
model.add(Dense(128))
model.add(Activation("relu"))

model.add(Dense(128))
model.add(Activation("relu"))

# The output layer with 10 neurons, for 10 classes
model.add(Dense(10))
model.add(Activation("softmax"))

# Compiling the model using some basic parameters
model.compile(loss="sparse_categorical_crossentropy"
              ,optimizer="adam"
              ,metrics=["accuracy"])

我能够将我的准确度从〜90％（不增加）提高到〜97％（不增加），但是训练准确度和验证准确度之间的差异仍然相似。

具有数据增强功能的图形：

我读到，非融合的训练和验证准确性/损失相差很大，这是过度拟合的迹象。

我的CNN模型是否属于这种情况？我还能做些什么来改善我的模型？

完整代码可以在我的github上找到

https://github.com/jwngo/SimpleImageClassifier

谢谢大家，感谢您的宝贵时间。

编辑： 对于扩充数据集，训练集为29355张图像，验证集为7331张图像。准确性之间的差异为0.9972（培训）与0.9750（验证），损失的差异为0.0102（培训）与0.1245（验证）

验证图像也得到了增强，我将更改为仅使用非增强图像。

Answer 1

您可以使用一些正则化（https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-regularization-techniques/），例如退出。培训和验证准确性之间有什么区别？验证集有多大？