deep-learning - 我怎样才能摆脱深度学习中卡住的准确性和损失值？

Question

我正在使用它处理深度学习和医学图像分类。我使用大脑 MRI 数据并将它们转换为 jpg。然后使用 VGG16 进行训练。当我检查损失、准确性、验证损失和验证准确性时，我看到了下图。

accuracy 和 val_accuracy 停留在某个迭代。当我用不同角度的旋转来增加数据时，结果是相似的。我怎样才能摆脱它？那是因为 VGG16 模型还是我的数据集？我还添加了来自 tensorboard 的模型图表，您可以查看。

这是关于我的论文的，经过几天的研究后我找不到有用的信息。这个网站是我最后的希望。提前致谢。

Answer 1

训练数据和验证数据的准确性和损失图表几乎相同，这表明您没有过度拟合数据，这是可取的。通过旋转图像提供更多数据将有助于减少过度拟合，但不会提高训练准确性。如果您过度拟合，而不是在训练数据的准确性较低时，您应该尝试使用数据增强技术进行训练。由于您的训练精度相对较低，可能是网络没有足够的层来捕捉图像和输出之间的复杂关系。因此，您应该尝试通过尝试具有更多层的新架构来增加模型的复杂性。也许 VGG 19 会有所帮助。

在训练您的机器学习模型时，您将遵循这种方法。

1. 检查您的训练误差。如果它高于增加模型的复杂性。通过传统 ML 模型的模型复杂性，您可以增加训练中的特征数量。对于基于图像的 CNN，您可以通过增加 CNN 层数和/或增加每个 CNN 中的过滤器数量来实现。

2. 检查您的验证错误。如果它相当多但你的训练错误较少，则模型过度拟合数据。您使用 drop out、batch normalization 和更多训练数据等技术来使验证误差尽可能接近训练误差。

您不断重复这两个步骤，直到获得所需的验证错误。