Validation 验证，尝试了不同的方法，但没有取得好的结果

我正试图训练一个CNN，使其进行大量的超参数调整，并设法在我的离散大小数据集上获得80%的准确率。然而，我开始过度装修，我完全没有得到比这更好的。这是我的网络：

depth=5
启动过滤器=32
model=keras.models.Sequential（）
对于范围内的i（深度）：
如果i==0：
输入形状=（img\u h，img\u w，3）
其他：
输入_形状=（无，无）
model.add（tf.keras.layers.Conv2D）（过滤器=start\u f/2，
内核大小=（3,3），
步幅=（1,1），
“相同”，
输入形状=输入形状）
model.add（tf.keras.layers.ReLU（））
model.add（tf.keras.layers.Conv2D）（过滤器=start\u f/2，
内核大小=（3,3），
步幅=（1,1），
“相同”，
输入形状=输入形状）
添加（tf.keras.layers.BatchNormalization（））
model.add（tf.keras.layers.ReLU（））
add（tf.keras.layers.MaxPool2D（池大小=（2,2）））
起始值f*=2
model.add（layers.flatte（））
add（tf.keras.layers.Dense（1024，activation='relu'，kernel_regulazer=tf.keras.regulazers.l1（0.001）））
模型添加（tf.keras.layers.Dropout（0.5））
添加（tf.keras.layers.Dense（num_类，activation='softmax'））
model.summary（）

到目前为止，我尝试了以下方法：

他开始面临震荡

致密层上的LR1

将批处理大小增加到32

Augumentation-包含，因为它可能会更改标签

学习率调整

我已经调整了深度和过滤器的数量，以获得这个结果。有什么建议吗

---

附言：在应用所描述的动作之前，我在同一型号上的前一次试穿中获得了80%——除了奥古斯丁之外，你可以尝试一些东西

检查是否尚未对验证数据应用预处理步骤

您的问题可能更复杂，因此需要更多的层/单元

设置较小的学习速率

您是否在预处理步骤中缩放/规范化了数据

使用更大的数据集

尝试辍学（正规化）

检查是否有不平衡的数据集

验证数据的大小可能很小

---

首先，谢谢大家。我已经添加了关于深度和过滤器的信息，我忘记了。除了调整验证集大小之外，我已经完成了所有建议的步骤。实际上，我的数据集由5.7K个图像组成，其中20%用于验证。我无法增加数据集。我没有对验证应用任何预处理，我在训练集上做过。我将尝试在fit上设置class_权重参数。您应该在train和val集合中应用相同的预处理。augumentation不是只在training集合上完成吗？我一直在使用的预处理只是用于训练和验证的重缩放（重缩放=1./255），我添加了旋转、翻转和缩放，但没有成功，只是在训练中。是的，只是在训练中。因此，您确实对val集应用了相同的预处理（重新缩放）。因为你说，

我没有对验证应用任何预处理

。我以为你指的是通过

ImageDataGenerator

中的

preprocess\u函数

参数进行的非标准预处理。我应用于培训和验证的唯一标准是

rescale=1./255