Validation 训练精度提高，但验证精度保持不变

我正在使用CNN训练服装分类算法。我有大约60000张图片用于10个课程的培训（按80:20的比例进行培训和验证）。分离10000个图像进行测试

训练精度会随着时间的推移而提高，但验证精度保持不变。此外，培训损失减少，但验证损失保持不变。

训练准确率：约96% 达到的验证准确率：约92% 达到的测试精度：约87%

---

我的问题：我可以做些什么来提高验证准确性或最小化验证损失？可以做哪些改变来改进它

你所经历的事情叫做。 您可以添加更多的规则化。最简单的方法是添加另一个退出层

from keras.layers import Dropout
***

    model = Sequential()
    model.add(
        Convolution2D(nb_filters1, conv1_size, conv1_size, border_mode="same", 
        input_shape=(img_width, img_height, 3)))
    model.add(Activation("relu"))
    model.add(MaxPooling2D(pool_size=(pool_size, pool_size)))
    model.add(Dropout(0.3)  # <- THIS IS ADDED
    model.add(Flatten())
    ***

从keras.layers导入退出
***
模型=顺序（）
model.add(
卷积2D（nb_过滤器1，conv1_大小，conv1_大小，border_mode=“相同”，
输入_形状=（img_宽度，img_高度，3）））
添加（激活（“relu”））
添加（MaxPoolg2D（池大小=（池大小，池大小）））
模型。添加（辍学（0.3）#
from keras.layers import Dropout
***

    model = Sequential()
    model.add(
        Convolution2D(nb_filters1, conv1_size, conv1_size, border_mode="same", 
        input_shape=(img_width, img_height, 3)))
    model.add(Activation("relu"))
    model.add(MaxPooling2D(pool_size=(pool_size, pool_size)))
    model.add(Dropout(0.3)  # <- THIS IS ADDED
    model.add(Flatten())
    ***