Tensorflow SegNet：为什么训练精度高，但验证精度低？

我尝试在数据集上训练在Keras中实现的SegNet Basic。但经过训练后，验证准确率稳定在50-60%左右，而训练准确率上升到90%以上

我尝试使用不同的优化器和图片大小。数据集的遮罩以灰度图像的形式出现，我根据图像的大小将它们分割成一个numpy数组，每个图片有[img_高度、img_宽度、num_类]

我的SegNet_基本实现如下所示：_encode和_decode函数是Unpool的实现，其索引表示状态

def SegNet_Basic（n_标签，输入_形状=（480352,3））：
内核=3
过滤器大小=64
输入=输入（形状=输入\形状）
c1=Conv2D（过滤器大小，（3,3），激活='relu'，填充='same'）（输入）
c1=BatchNormalization（）（c1）
池_1，掩码_1=_编码（c1）
c2=辍学（0.2）（第1组）
c2=Conv2D（128，（3,3），activation='relu'，padding='same'）（c2）
c2=批处理规范化（）（c2）
池2，掩码2=_编码（c2）
c3=Conv2D（256，（3,3），activation='relu'，padding='same'）（pool_2）
c3=BatchNormalization（）（c3）
池_3，掩码_3=_编码（c3）
c4=辍学（0.2）（第三组）
c4=Conv2D（512，（3,3），activation='relu'，padding='same'）（c4）
c4=批处理规范化（）（c4）
c5=Conv2D（512，（3,3），激活='relu'，填充='same'）（c4）
c5=批处理规范化（）（c5）
c6=Conv2D（256，（3，3），激活='relu'，填充='same'）（c5）
unpool_1=_解码（c6，掩码_3）
c6=辍学率（0.2）（unpool_1）
c6=Conv2D（256，（3,3），activation='relu'，padding='same'）（c6）
c6=BatchNormalization（）（c6）
c7=Conv2D（128，（3，3），activation='relu'，padding='same'）（c6）
unpool_2=_解码（c7，掩码_2）
c7=辍学（0.2）（unpool_2）
c7=Conv2D（128，（3,3），activation='relu'，padding='same'）（c7）
c7=BatchNormalization（）（c7）
c8=Conv2D（64，（3，3），activation='relu'，padding='same'）（c7）
unpool_3=_解码（c8，掩码_1）
c8=Conv2D（过滤器大小，（3,3），激活='relu'，填充='same'）（unpol_3）
c8=BatchNormalization（）（c8）
输出=Conv2D（n_标签，（1,1），激活='softmax'）（c8）
模型=模型（输入=[inputs]，输出=[output]，名称=[SegNet_Basic'）
回归模型

我使用的图片大小是（480352），因为我不能使用更大的尺寸，因为我的笔记本电脑无法在gpu上处理它们。我还看到，像天空和树木这样的类得到了很好的识别，正如我添加的第一张图片所示，但是其他类的准确性非常糟糕

如果需要，我还可以提供代码的其他部分

感谢您提前提供的任何帮助

---

这是一个过度装配的典型例子：-）您的小批量产品有多大？您确定它过度装配了吗？因为如果我用一张训练集的图片做预测，我也会得到一个非常糟糕的结果——见附件中的最后一张图片。我的批量大小是1，因为如果我增加它，我的笔记本电脑的内存（8GB）…这是一个单一的例子，请参阅训练/测试损失/准确性趋势。测试很快就停止了，而火车一直在无限期地改进。然而，当批量大小为1时，BatchNorm将。。。身份是最好的选择。摆脱它，加强辍学率。。我从来没想过这会是个问题。。。我会让它在没有巴赫标准和更多辍学者的情况下运行！让我们看看！谢谢你提醒我！我在找这样的东西！我一定会试试的！！我听说你现在甚至可以用TPU代替GPU！多好的一个过度装配的典型例子：-）你们的小批量有多大？你们确定它过度装配了吗？因为如果我用一张训练集的图片做预测，我也会得到一个非常糟糕的结果——见附件中的最后一张图片。我的批量大小是1，因为如果我增加它，我的笔记本电脑的内存（8GB）…这是一个单一的例子，请参阅训练/测试损失/准确性趋势。测试很快就停止了，而火车一直在无限期地改进。然而，当批量大小为1时，BatchNorm将。。。身份是最好的选择。摆脱它，加强辍学率。。我从来没想过这会是个问题。。。我会让它在没有巴赫标准和更多辍学者的情况下运行！让我们看看！谢谢你提醒我！我在找这样的东西！我一定会试试的！！我听说你现在甚至可以用TPU代替GPU！