Neural network 改进神经网络的学习

如果我得到了图片中显示的训练和验证错误来改进我的神经网络，有人能帮助我如何处理分类吗？我试着提前停止训练，这样验证错误会更小，但仍然太高。我得到了62.45%的验证准确率，但这太低了。数据集是显示图像中某个位置的对象（不居中）的图像。如果我对相同数量的图像使用相同的网络，但显示的对象始终居中于主点，则验证精度为95%时效果更好

---

在实现神经网络时，可以寻找以下内容：

数据集问题：

i） 检查您向网络提供的输入数据是否有意义，以及数据中是否存在过多噪音

ii）尝试传递随机输入，看看错误性能是否持续。如果确实如此，那么是时候对你的网络进行更改了

iii）检查输入数据是否有适当的标签

iv）如果输入数据未被洗牌，并以特定的标签顺序传递，则会对学习产生负面影响。因此，将数据和标签混合在一起是必要的

v） 减小批次大小并确保批次不包含相同的标签

vi）过多的数据扩充并不好，因为它具有正则化效果，并且当与其他形式的正则化（权重L2、退出等）结合时，可能会导致网络不匹配

vii）数据必须按照数据要求进行预处理。例如，如果您正在训练网络进行人脸分类，那么没有背景或任何背景的图像人脸应该传递给网络进行学习

实施问题：

i） 检查您的损失函数、重量初始化和梯度检查，以确保反向传播以适当的方式工作

ii）借助可视化库（如Tensorboard），可视化各层的偏差、激活和重量

iii）尝试使用动态学习率概念，其中学习率随一组设计的时间而变化

iv）通过增加更多层或更多神经元来增加网络大小，因为这可能不足以捕获其标记的特征

---

您必须精确地确定集合和类的大小。似乎您没有足够的数据覆盖所有职位。谢谢！所以我必须改变批量大小，对吗？我必须把它变小吗？根据我的班级规模，你们想在每堂课上放更多的图片吗？看来你们太适合了。尝试在每个类中放置多个位置的图像。一种方法是将图像左右翻转，以便获得两次数据。