张量流模型精度答案

【问题标题】：Tensorflow model accuracy张量流模型精度
【发布时间】：2018-11-25 20:00:26
【问题描述】：

我的模型已针对 36 个类别的一组 29K 图像进行了训练，并在 7K 图像上进行了验证。该模型的训练准确率为 94.59%，验证准确率为 95.72% 它是为数字和字符的 OCR 创建的。我知道用于 36 类训练的图像数量可能不够。我不确定从这些结果中可以推断出什么。

问题：这是一个好的结果吗？测试准确度是否应该始终大于训练准确度？我的模型是否过拟合？

问题：我如何知道我的模型是否过拟合？我假设一个非常高的训练精度和非常低的测试精度会表明这一点？

【问题讨论】：

【解决方案1】：

【讨论】：

如果我的训练准确率没有提高怎么办？我只是将模型运行了几次迭代，它的准确率下降到 94.37%，验证准确率变为 94.29% 在这种情况下我该怎么办？
如果您的图片数量不足，这可能是原因。您应该尝试数据增强。此外，其中一种技术是只复制有问题的类中的数据。
训练和测试的理想准确率百分比是多少？我知道这取决于很多因素，但假设我的训练准确率是 95%，我的验证准确率应该是多少才能使模型成为一个好的模型？另外，95% 的训练准确率表明我的模型已经很好地分析了训练数据？我觉得这些独立的百分比没有任何意义，训练和验证的准确性是相对的。我错了吗？
在我看来，2-4% 的过拟合是好的。如果您的数据集类似于 ImageNet 图像，您可以将您的准确性与 ImageNet 上不同模型的性能进行比较。如果不同（医学、卫星等图像，而不仅仅是真实世界的照片）则很难说，但一般来说，对于多标签分类，如果你在 90% 以上，你的模型就可以了，95- 98% 是好的。

【解决方案2】：

训练准确度应始终高于测试准确度/验证准确度。这是因为您的模型必须能够很好地处理提供的数据，以便能够预测未知数据。但是，它有时也会发生，原因可能是一种。测试测试不是随机选择或随机选择但结果是有利的（巧合）。湾。您的模型非常通用，并且与第一个问题相结合。
首先检查学习曲线，您的情况很少见，其中训练精度较小。解决方案可能是更多数据或更复杂的模型或更多时期（欠拟合的解决方案）

【讨论】：