Deep learning 当深度学习神经网络在验证精度方面停止改进时，下一步该怎么办？

我遇到了这个问题，我的模型在大约20或30年后才收敛得非常快 我的数据集包含7000个样本，我的神经网络有3个隐藏层，每个隐藏层有18个神经元，批量标准化，下降0.2

我的任务是一个多标签分类，其中我的标签是[0 0 1]、[0 1 0]、[1 0 0]和[0 0 0]

num_neuron = 18
model = Sequential()
model.add(Dense(num_neuron, input_shape=(input_size,), activation='elu'))
model.add(Dropout(0.2))
model.add(keras.layers.BatchNormalization())

model.add(Dense(num_neuron, activation='elu'))
model.add(Dropout(0.2))
model.add(keras.layers.BatchNormalization())

model.add(Dense(num_neuron/3, activation='elu'))
model.add(Dropout(0.2))
model.add(keras.layers.BatchNormalization())

model.add(Dense(3, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='nadam',
              metrics=['accuracy'])
history = model.fit(X_train, Y_train,batch_size=512 ,epochs=1000,
                    validation_data=(X_test, Y_test), verbose=2)

我想知道是否有什么我可以做的来提高更多，因为即使在我设定了1000个大纪元后，没有什么会真正改变

---

这是神经网络训练中的预期行为：一段时间后，训练过程被称为收敛，这意味着进一步的训练不会带来任何进一步的进展（事实上，训练时间过长甚至可能会损害模型的泛化能力，因为这可能会导致训练集的过度拟合。提前停止是为了解决这个问题）

在您的案例中，由于训练已经收敛，训练和验证损失都不再减少，因此可以肯定地说，您已经通过这个特定的训练过程和这个特定的模型架构（3个隐藏层，18个神经元）实现了这个特定任务的最高可能精度

---

但是，通过试验这些属性，仍然可以进行改进。在您的情况下，很难说，因为我不知道您正在培训的任务，但是由于您的培训损失几乎与验证损失相同，您的模型可能不太适合，这意味着如果您使用更多ca，它可能会变得更好pable模型（每层或每层有更多的神经元）或减少标准化。

这是神经网络训练中的预期行为：一段时间后，训练过程称为收敛，这意味着进一步的训练不会导致任何进一步的进展（事实上，训练时间过长甚至可能会损害模型的泛化能力，因为这可能会导致训练集的过度拟合。提前停止是为了解决这个问题）

在您的案例中，由于训练已经收敛，训练和验证损失都不再减少，因此可以肯定地说，您已经通过这个特定的训练过程和这个特定的模型架构（3个隐藏层，18个神经元）实现了这个特定任务的最高可能精度

但是，通过试验这些属性，仍然可以进行改进。在您的情况下，很难说，因为我不知道您正在培训的任务，但是由于您的培训损失几乎与验证损失相同，您的模型可能不太适合，这意味着如果您使用更多ca，它可能会变得更好pable模型（每层或更多层有更多神经元）或减少标准化