Deep learning 大量的培训步骤导致迁移学习成绩不佳

我有个问题。我已经使用转移学习对googlenet进行了再培训，以解决我的图像分类问题。我有80000张图片，属于14个类别。我将训练步数设置为200000。我认为Tensorflow提供的代码应该已经实现了退出，它基于数据集的随机洗牌和交叉验证方法进行训练，并且我没有看到训练和分类曲线中的任何过度拟合，我得到了很高的交叉验证精度和测试精度，但是当我将我的模型应用到新的数据集时，我得到了很差的分类结果。有人知道怎么回事吗？谢谢

-这两个数据集本质上相同吗？是否有任何可能的巨大差异，你只是忽略了您是否对第二个数据集应用了相同的预处理步骤？-您是否定义了适当的性能指标？这两个数据集非常相似。我没有应用任何预处理步骤，因为tensorflow提供的代码中执行了均值减法。我没有定义度量，但我只是使用tensorflow的retain.py脚本进行转移学习和再培训inception-v2——“当我将模型应用到新数据集时，我得到的分类结果很差”，听起来似乎过于拟合了。-您是否尝试过使用80000张图像中的60000张对模型进行再培训，然后在其他20000张图像上进行测试？如果有效，那么可能是@Mohammaddrazzaghnoori提到的数据集差异问题；如果不是，那么您可能需要调查retain.py。-这两个数据集本质上是相同的吗？是否有任何可能的巨大差异，你只是忽略了您是否对第二个数据集应用了相同的预处理步骤？-您是否定义了适当的性能指标？这两个数据集非常相似。我没有应用任何预处理步骤，因为tensorflow提供的代码中执行了均值减法。我没有定义度量，但我只是使用tensorflow的retain.py脚本进行转移学习和再培训inception-v2——“当我将模型应用到新数据集时，我得到的分类结果很差”，听起来似乎过于拟合了。-您是否尝试过使用80000张图像中的60000张对模型进行再培训，然后在其他20000张图像上进行测试？如果有效，那么可能是@Mohammaddrazzaghnoori提到的数据集差异问题；如果没有，那么您可能需要调查retain.py。