Python 在训练期间，准确率接近100%，但<；在对图像分类器进行测试/验证期间，50%

在过去的几天里，我一直在尝试训练我的模特，但每次无论我尝试什么，我都会遇到同样的问题。我的准确度一开始很低，在第一个历元内达到90%以上，但每个历元结束时的验证结果介于20-50%之间，对某些类别的模型预测进行测试是准确的，但对大多数类别来说是完全错误的。我的数据集有20000个图像，每个类2000个，和100个测试图像（如果需要，可以获得更多）。我将非常感谢你们的任何意见，因为我对机器学习作为一个整体是非常陌生的，我不完全理解其中的所有内容

我在网上看过几篇描述类似问题及其修复的帖子和文章，无论是将激活定义为自己的层而不是参数，添加批量规范化层并更改其动量，尝试几种不同的优化器和学习率，不同大小的数据集，使用自定义初始值设定项，甚至完全更改模型的结构。什么都不管用

以下是网络的主要部分：

model=Sequential（）
初始值设定项=keras.initializers.he_normal（种子=无）
model.add（Conv2D（64，（3,3），padding='same'，use_bias=False，kernel_initializer=initializer，input_shape=x_train.shape[1:]））
添加（BatchNormalization（））
添加（激活（'relu'））
add（Conv2D（64，（3，3），padding='same'，使用\u bias=False，kernel\u initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
add（Conv2D（128，（3，3），padding='same'，使用\u bias=False，kernel\u initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
add（Conv2D（128，（3，3），padding='same'，使用\u bias=False，kernel\u initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
模型。添加（辍学（0.2））
add（MaxPooling2D（池大小=（2,2）））
add（Conv2D（256，（3，3），padding='same'，使用\u bias=False，kernel\u initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
add（Conv2D（256，（3，3），padding='same'，使用\u bias=False，kernel\u initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
模型。添加（辍学（0.2））
add（MaxPooling2D（池大小=（2,2）））
model.add（展平（））
添加（稠密（2048，使用_bias=False，内核_initializer=initializer））
添加（BatchNormalization（））
添加（激活（'relu'））
模型。添加（辍学（0.4））
添加（密集（num_类，使用_bias=False））
添加（BatchNormalization（））
添加（激活（'softmax'））
compile（loss='classifical_crossentropy'，optimizer=keras.optimizers.Adam（lr=0.00005），metrics=['accurity']））
#训练模型
如果未测试_模式：
model.fit（x_序列，y_序列，epochs=epochs，batch_size=batch_size，shuffle=True，validation_data=（x_测试，y_测试））
分数=模型。评估（x_测试，y_测试，详细度=0）
打印（'测试丢失：'，分数[0]）
打印（'测试精度：'，分数[1]）

以下是历元的最后几批及其最后的验证：

19776/20000 [============================>.] - ETA: 25s - loss: 0.4859 - acc: 0.9707
19840/20000 [============================>.] - ETA: 18s - loss: 0.4855 - acc: 0.9708
19904/20000 [============================>.] - ETA: 11s - loss: 0.4851 - acc: 0.9709
19968/20000 [============================>.] - ETA: 3s - loss: 0.4848 - acc: 0.9710 
20000/20000 [==============================] - 2323s 116ms/step - loss: 0.4848 - acc: 0.9710 - val_loss: 1.9185 - val_acc: 0.5000

---

编辑：我被告知添加有关我的数据集的更多信息。我正在用10种不同的手势训练数据集。每个图像都经过了128x128和灰度的预处理，my 100图像测试集是从训练集中的每个类中获取的10幅图像。我知道最好从训练集中单独获取数据进行测试，但我不确定从训练集中删除图像是否是个好主意。这也是我认为这个问题很奇怪的原因之一，因为如果模型过度拟合到训练数据上，那么当面对它已经看到的数据时，为什么精确度如此之低？如果你需要更多的信息，请告诉我

您的模型似乎过于合适，这意味着它正在使[学习]与培训集非常接近

---

如果您的训练集不包含所有案例类型，则可能会导致这种情况，请再次尝试洗牌数据。

很可能是您的模型拟合过度。这意味着您的模型的预测精度很低，无法推广到训练集之外。可能出现这种情况的原因有很多，因此在我们获得有关您的模型的更多信息之前，无法提出建议

编辑1

我的理解是，模型不应该具有在训练集中发现的测试集观察值。我不太熟悉所使用的语法，但我认为您可以使用

.fit

函数中的

validation\u split

参数来分离集合。建议的比例为85%左右的培训/15%的测试

---

来源：

当你在训练卷积神经网络（CNN）时，为了消除过度拟合问题，你可以采用以下方法-

您可以使用其概率值来处理辍学者，该概率值充当 CNN正则化器

使用数据增强等技术添加更多数据

使用转移学习（预先培训的模式）

---

你的模型太合适了！您需要描述培训内容、测试内容、分类值、类值的分布，以及所有其他内容，以获得更有意义的评论。@mattsap的评论是一个良好的开端。如果我正确理解您的编辑#1，您的测试集是否包含在培训集中？我并不认为测试图像存储在单独的位置，但它们都可以在训练集中的某个地方找到。所以，是的。据我所知，这并不好。测试集数据不应该在您的训练集中。那么，我应该创建一个新的测试集，但删除我从训练集中获取的图像吗？我本来打算这样做的，但是似乎参数在训练集洗牌之前从训练集的末尾进行拆分，并且我的训练集加载到ord中