我使用卷积神经网络（通过Keras）作为我的面部表情识别模型（55名受试者） . 我的数据集非常难，大约450k，有7个 class . 我根据每个科目和每个 class 标签 balancer 了我的训练集 .
我实现了一个非常简单的CNN架构（具有实时数据增强功能）：
model = Sequential()
model.add(Convolution2D(32, 3, 3, border_mode=borderMode, init=initialization, input_shape=(48, 48, 3)))
model.add(BatchNormalization())
model.add(PReLU())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(256))
model.add(BatchNormalization())
model.add(PReLU())
model.add(Dropout(0.5))
model.add(Dense(nb_output))
model.add(Activation('softmax'))
在第一个时期之后，我的训练损失不断减少，而验证损失增加 . 很快会过度拟合吗？或者我的数据是否存在混淆问题？我还应该 balancer 我的测试集吗？
1 回答
这可能是任务很容易解决，并且在一个时代之后，模型已经学会了解决它，并且对更多时期的训练只会增加过度拟合 .
但是如果你已经 balancer 了火车组而不是测试组，那么可能发生的是你正在训练一项任务（对均匀分布的数据进行表达识别）然后你正在测试一个稍微不同的任务，因为测试集是不均衡 .