Tensorflow 图像彩色化的精度和损耗仍在提高，但输出有更多的伪影

我有以下CNN：

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 256, 256, 32)      320       
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 128, 128, 32)      9248      
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 128, 128, 64)      18496     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 64, 64, 64)        36928     
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 64, 64, 128)       73856     
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 32, 32, 128)       147584    
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 32, 32, 256)       295168    
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 16, 16, 256)       590080    
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 16, 16, 512)       1180160   
_________________________________________________________________
conv2d_9 (Conv2D)            (None, 16, 16, 256)       1179904   
_________________________________________________________________
conv2d_transpose (Conv2DTran (None, 32, 32, 256)       590080    
_________________________________________________________________
conv2d_10 (Conv2D)           (None, 32, 32, 128)       295040    
_________________________________________________________________
conv2d_transpose_1 (Conv2DTr (None, 64, 64, 128)       147584    
_________________________________________________________________
conv2d_11 (Conv2D)           (None, 64, 64, 64)        73792     
_________________________________________________________________
conv2d_transpose_2 (Conv2DTr (None, 128, 128, 64)      36928     
_________________________________________________________________
conv2d_12 (Conv2D)           (None, 128, 128, 32)      18464     
_________________________________________________________________
conv2d_transpose_3 (Conv2DTr (None, 256, 256, 32)      9248      
_________________________________________________________________
conv2d_13 (Conv2D)           (None, 256, 256, 16)      4624      
_________________________________________________________________
conv2d_14 (Conv2D)           (None, 256, 256, 2)       290       
=================================================================
Total params: 4,707,794
Trainable params: 4,707,794
Non-trainable params: 0

我用这个参数训练它：

• 数据集大小：150 000
• 优化器：亚当
• 批量：128
• 损失函数：MSE

我有这些图表：

我们可以看到，准确度和损耗一直在提高。但问题在于产出。当我用测试数据集评估每个历元模型时，最佳历元是15

在这里，我们可以看到第15纪元和第60纪元之间的比较

---

这是否过度装配以及如何防止它？

正确-这是一个过度装配的示例。您可以看到，这种情况在第10纪元左右开始出现，其中训练集的精度开始高于验证集的精度

这是因为模型开始过多地记忆训练集模式，因此它不能很好地概括看不见的数据（您的验证集）

您的模型中似乎没有任何正则化层，因此我绝对建议添加一些退出层。Dropout通过随机“关闭”节点来工作，因此该模型被迫通过网络学习其他路由，从而有助于防止过度拟合。这很好地解释了这一点

从0.1的落差开始，并查看训练精度和验证精度开始不同的点是否在第10个历元之后开始。例如，如果training acc>validation acc现在从第20纪元开始，那么你知道辍学会产生积极的影响，你可以决定从那里做什么

---

像往常一样，以小步骤进行更改，以便您可以看到发生了什么。

我尝试添加一些退出层，但没有改进。因此，我认为，这将是最大值。我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅机器学习中的介绍和注释。