目前，我只是通过探索tflearn（VGG.Net，GoogLeNet，RESNET等）提供蚊帐和应用这些对我的数据集（128 * 128单通道图像，图像925，前增强，5058的图像，隆胸后，两名类 - 癌症和非癌） .
-
问题：训练精度（~100％）与验证准确度（~70％）之间存在很大差异 .
-
我的方法：1）通过减少卷积内核的数量来降低模型复杂度，2）减少完全连接层中的节点数量，3）扩大FC的辍学率 .
-
问题：
1）这种过度拟合问题是否已经发生 - 至少在某种程度上 - 由于数据集不足（训练）？我认为如果我有更多（训练）数据集，这将充分代表母分布（包括验证数据集），以便验证准确性与训练准确性相似 .
2）交叉验证是否有助于减少差异？但是，如果我有一个永远不会用作训练集的测试集，我认为我的测试acc仍然会与训练acc有很大不同 . 那是对的吗？
3）据我所知，由于卷积是移位不变的，因此移位增加不会提供新的信息 . 轮换怎么样？ （在切割ROI之前旋转，使图像在边界处不包含零）
谢谢！！ ：d
1 回答
是的
不，如果您不更改训练数据集的大小，则不会 . 但是，交叉验证通常用于将更多数据用作训练数据 .
旋转只有在数据集中存在时才有用 . 例如，180°旋转实际上可能会造成伤害 .
可以在_1856436中找到标准图像的良好扩充：
tf.random_crop(reshaped_image, [height, width, 3])tf.image.random_flip_left_right(distorted_image)tf.image.random_brightness(distorted_image, max_delta=63)tf.image.random_contrast(distorted_image, lower=0.2, upper=1.8)为了对抗过度拟合，你可能想引入正规化;特别是Dropout（tf.nn.dropout） .
但是，它不必过度拟合 . 也可能是您的测试数据的分布与您的训练数据不同（但更有可能过度拟合） .