为什么我的acc总是更高，但我的val_acc却很小？

Question

我试着训练14000个训练数据集和3500个验证数据集，但是为什么每次我训练的时候我总是得到高精度的结果，而验证部分很小。

那么，如果我希望验证的结果接近训练的准确性，并为每一个时代提供重要的补充，我应该做什么？

一定要加减吗？抱歉英语不太好

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

classifier = Sequential()


classifier.add(Conv2D(16, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
`classifier.add(MaxPooling2D(pool_size = (2, 2)))


classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))`


classifier.add(Conv2D(64, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

classifier.add(Flatten())

classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

from keras.callbacks import TensorBoard
# Use TensorBoard
callbacks = TensorBoard(log_dir='./Graph')

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')

classifier.fit_generator(training_set,
                         steps_per_epoch = 100,
                         epochs = 200,
                         validation_data = test_set,
                         validation_steps = 200)

classifier.save('model.h5')

我得到了这个结果(对不起，我不知道怎么把图像放进去)

Epoch 198/200 100/100 ============================== -114 s 1s/步进损失: 0.1032 - acc: 0.9619 - val_loss: 1.1953 - val_acc: 0.7160

Epoch 199/200 100/100 ============================== -115 s 1s/步进损失: 0.1107 - acc: 0.9591 - val_loss: 1.4148 - val_acc: 0.6702

0.1229 /200 100/100 ============================== -112 s/步进损失:0.1229- acc: 0.9528 - val_loss: 1.2995 - val_acc: 0.6928

Answer 1

当你的训练精度很高，但你的验证精度很低时，你就有了超装你的模型。简单地说，您的模型已经了解了您的培训数据的结构，但无法进行泛化。为了减少过度适应，你可以试着

• 简化你的模型，
• 将辍学引入一些层，
• 使用更大的训练批次。