造成深度学习模型训练准确率（高）与验证准确率（低）相差较大的可能原因

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/u013249853/article/details/89393982

损失函数一直在下降，为什么识别率上不去。

1.最常见的原因：过拟合

过拟合值得单独开个章节。主要包括

1.数据量小，网络复杂

2.learning rate 比较高，又没有设置任何防止过拟合的机制

解决方法主要包括

1.简化模型，利用现有深度学习手段增加数据（翻转，平移，随机裁剪，imgaug）

2.利用 dropout层

3.利用正则化

2.你犯了错误：没有把数据规格化

图片的话，img/255是肯定的

3.你犯了错误：没有在分验证集之前打乱数据

因为validation_split操作不会为你shuffle数据，所以如果你的数据前一半标签全是1 ，后一半全是0，validation=0.5。恭喜你，你压根也分不对，你的validation准确率会一直为0.因为你拿所有的正样本训练，却想判断负样本。

4.你犯了错误，数据和标签没有对上

有可能再读取自定义的数据库的时候出现问题，导致数据与标注不对应。比如第一张图片用第十张的标注

5.你的训练数据太少，validation数据太多，类别也太多

比如4000张训练，1000张validation，300类，这显然就是不合理的

6.最好使用预训练的权重

大多数流行的backone比如resnet都有再imagenet数据集上与训练过，那么使用这种权重，比起随即重新训练，显然要可靠不少注意调整学习率。

7.网络结构有问题

可以通过使用现在流行的网络（resnet，unet等）替入你的代码，如果结果没有问题，你的结果有问题那么肯定就是你网络结构出问题了。那么可以通过逐层注释掉排查究竟哪里出了问题

7.1 网络最后一层没有使用正确的激活函数

比如多类的应该使用softmax

8.relu后面是softmax

有一些说法是relu由于对于很大的数值直接复制，所以会对softmax产生不好的影响，从而输出不好的结果。所以可以使用tanh代替relu。

9.batch normalization

https://mp.csdn.net/postedit/89456400

由于做dense prediction图片通常比较大。所以一个batch一般都只有1-2张图片，不建议使用 BN。

另外keras TF1.x可能会出问题，https://github.com/keras-team/keras/pull/9965

10.你犯了错误，你可能设置了一些参数是不可训练的

在训练语句之前，检查以下你的trainable参数，是否设置了一些参数是不可训练的。这还可能导致你的输出只能是一个值，比如永远预测为标注0，因为你只有一点点的参数，而这并不是一个模型（比如只有100个参数是可以训练的，太简单了，无法模拟）。

11.附送一个调参论文

Bag of Tricks for Image Classification with Convolutional Neural Networks

https://arxiv.org/abs/1812.01187