如何进一步提高过盈度？

Question

更新:请看下面我自己的答案。

我是从零开始训练，一个简单的CNN多类分类(从小相机拍摄的图像是黑白的)。我尝试了2倍的conv层，现在我工作到了4倍；同样，我尝试了从70万次到现在的大约10,000次，但是这和第一个时代的表现是一样的，而其他的则不是这样。我只是随机地重新启动了几次，得到了最大70%的val_accuracy

我提到过：https://stackoverflow.com/questions/59201907/overfitting-on-image-classification，https://stackoverflow.com/questions/68154422/why-is-tensorflow-image-classification-model-overfitting，https://stackoverflow.com/questions/59078738/how-to-improve-model-to-prevent-overfitting-for-very-simple-image-classification，

我有4个类，每个类有1000个图像

这是我的模型架构：

我使用的是reduceLRonPlateau和检查点；提前停止是因为它停止得早，基本上它适用于第一阶段最低的val_loss。我需要更多的数据吗？我已经试过增强图像了。这是培训的快照。

这就是我在卷积层代码中添加的内容，这些代码产生了上述结果：

kernel_regularizer='l1', 
bias_regularizer=regularizers.L2(1e-4)```

i have no fully dense layer just the output layer straight after flatenning

Answer 1

这是我一个多星期以来一直在努力解决的问题，但最终的问题似乎是函数实现方式上的问题；最初我使用了flow_from_directory，在用尽了所有与过度拟合相关的方法--增强、退出、正则化、参数、数量神经元、层、回调，检查我自己捕获的原始数据--我尝试使用image_dataset_from_directory并解决了它；不过，如果将来有人面临同样的问题，我会在这里重新发布最初的问题。