Python 我如何故意在Keras中过度拟合卷积神经网络，以确保模型正常工作？

在训练我的模型时，我试图诊断是什么导致精度低。在这一点上，我只希望能够达到较高的训练精度（稍后我会担心测试精度/过度拟合问题）。如何调整模型以提高训练精度？我想这样做是为了确保在预处理步骤（洗牌、分割、规范化等）中没有犯任何错误

---

您需要删除掉图层。以下是一个关于故意过度装配的小检查表：

• 删除任何正则化（辍学、L1和L2正则化）
• 确保设置较慢的学习速度（Adam是自适应的，因此在您的情况下，这是可以的）
• 您可能不希望洗牌训练样本（例如，所有前100个样本为A类，下100个样本为B类，最后100个样本为C类）更新：正如彼得苏黎世在下面的回答中指出的那样，应谨慎考虑这一点，因为它可能根本不会导致任何培训效果

---

现在，如果您很容易建立过拟合模型，那么这是一个强大模型的良好迹象，能够表示数据。否则，你可能会考虑一个更深层/更广泛的模型，或者你应该好好看看数据并问一个问题：“真的有PTENRS吗？这是可训练的吗？”

< P>除了其他有效的答案之外，一个非常简单的方法就是只使用一小部分的数据。例如，仅1或2个样品

---

另请参阅这篇非常有用的帖子，内容涉及您可以检查以确保模型正常工作的所有内容：

我认为在这种情况下不建议对数据进行无序处理，因为它不一定会导致过度拟合，但在最坏的情况下，根本不会产生任何训练效果。

#PARAMS
dropout_prob = 0.2
activation_function = 'relu'
loss_function = 'categorical_crossentropy'
verbose_level = 1
convolutional_batches = 32
convolutional_epochs = 5
inp_shape = X_train.shape[1:]
num_classes = 3


def train_convolutional_neural():
    y_train_cat = np_utils.to_categorical(y_train, 3) 
    y_test_cat = np_utils.to_categorical(y_test, 3)

    model = Sequential()
    model.add(Conv2D(filters=16, kernel_size=(3, 3), input_shape=inp_shape))
    model.add(Conv2D(filters=32, kernel_size=(3, 3)))
    model.add(MaxPooling2D(pool_size = (2,2)))
    model.add(Dropout(rate=dropout_prob))
    model.add(Flatten())
    model.add(Dense(64,activation=activation_function))
    model.add(Dense(num_classes,activation='softmax'))
    model.summary()
    model.compile(loss=loss_function, optimizer="adam", metrics=['accuracy'])
    history = model.fit(X_train, y_train_cat, batch_size=convolutional_batches, epochs = convolutional_epochs, verbose = verbose_level, validation_data=(X_test, y_test_cat))
    model.save('./models/convolutional_model.h5')