Deep learning 为什么CIFAR10数据集上的resnet110 I列车仅获得77%的测试acc
我在CIFAR10数据集上对Resnet110进行了训练，在训练中我获得了100%的acc，但在测试数据集上只有77.85%。问题可能是什么？ 否则，我使用Pytork框架。 非常感谢Deep learning 为什么CIFAR10数据集上的resnet110 I列车仅获得77%的测试acc,deep-learning,pytorch,resnet,Deep Learning,Pytorch,Resnet,我在CIFAR10数据集上对Resnet110进行了训练，在训练中我获得了100%的acc，但在测试数据集上只有77.85%。问题可能是什么？ 否则，我使用Pytork框架。 非常感谢 ------------------------------------------------------------------------ Train Epoch: 200 [0/50000 (0%)] Loss: 0.000811, Accuracy: 100.00 Train Epoch: 20
------------------------------------------------------------------------
Train Epoch: 200 [0/50000 (0%)] Loss: 0.000811, Accuracy: 100.00
Train Epoch: 200 [12800/50000 (26%)] Loss: 0.000335, Accuracy: 100.00
Train Epoch: 200 [25600/50000 (51%)] Loss: 0.000757, Accuracy: 100.00
Train Epoch: 200 [38400/50000 (77%)] Loss: 0.000334, Accuracy: 100.00
Epoch time:45.98s
Accuracy of plane : 81 %
Accuracy of car : 88 %
Accuracy of bird : 65 %
Accuracy of cat : 60 %
Accuracy of deer : 73 %
Accuracy of dog : 69 %
Accuracy of frog : 81 %
Accuracy of horse : 82 %
Accuracy of ship : 86 %
Accuracy of truck : 86 %
Test set: Average loss: 1.3605, Accuracy: 77.58%
你太过分了，这是显而易见的。消除过度拟合的最佳方法是对更多数据进行训练 为此，您可以使用此命令进行数据扩充 对于cifar10，您可以使用特殊的resnet体系结构，它可以使您获得高达93%的准确率。该精度通过数据扩充实现 使神经网络正则化（减少过拟合）的其他技术包括：
- 辍学
- 早停
from torchvision.models import resnet18
model = resnet18(pretrained=True)
model.fc = nn.Sequential(
nn.Dropout(0.5),
nn.Linear(512, 10)
)
model.to(dev)
如您所见，没有人在cifar10上达到100.00的准确度
ResNet-101torchvision53为了避免过度贴合，请使用真正强大的图像增强、旋转、翻转、剪切，或者混搭。您可以在第三方库中找到它们。您可能有培训集。基本上，您的ResNet已经记住了训练集，但是它在样本外数据（例如，您的测试集）上的性能越来越差。通常，这就是为什么人们会在培训期间使用验证集来监控样本外的性能，并在过度拟合发生之前停止培训。非常感谢您的回答。这可能是因为过度拟合的问题。“我将测试新的超参数。”JoshVarty说，“我想他使用了。你的扩充非常聪明。哦，是的，谢谢你指出这一点，可能是这样的，如果是这样的话，你可以忽略我文章开头关于太大的
ResNet