为啥我的 acc 总是更高但我的 val_acc 很小？

Posted 2023-03-13

【中文标题】为啥我的 acc 总是更高但我的 val_acc 很小？

【英文标题】：Why my acc always higher but my val_acc is very small?为什么我的 acc 总是更高但我的 val_acc 很小？

【发布时间】：2019-12-29 07:56:37

【问题描述】：

我尝试训练 14000 个训练数据集和 3500 个验证数据集，但是为什么每次训练我总是得到高精度结果而验证部分非常小

所以如果我希望验证的结果接近训练的准确度该怎么办 并为每个时代提供重要的补充

一定要加减什么吗？ [抱歉英语不好]

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，我不知道如何把图片放在这里）

198/200 纪元 100/100 [===============================] - 114s 1s/step - loss: 0.1032 - acc: 0.9619 - val_loss : 1.1953 - val_acc: 0.7160

199/200 纪元 100/100 [==============================] - 115s 1s/步 - 损失：0.1107 - acc: 0.9591 - val_loss : 1.4148 - val_acc: 0.6702

200/200 纪元 100/100 [===============================] - 112s 1s/step - loss: 0.1229 - acc: 0.9528 - val_loss : 1.2995 - val_acc: 0.6928

【问题讨论】：

检查简化模型的架构是否有帮助。

【参考方案1】：

当你的训练准确率很高，但你的验证准确率很低时，你有overfitted你的模型。简单地说，您的模型已经了解了训练数据的结构，但无法对其进行概括。为了减少过拟合，可以尝试

简化您的模型， 在一些层引入dropout， 使用更大的训练批次。

【讨论】：

如何简化我的模型？是不是像减少卷积量一样？

是的，要么删除一些隐藏层，要么减少其中的神经元数量。