神经网络（CNN）结果/准确性的解释

Question

我对这个主题有点陌生，并基于谷歌的 tensorflow 构建了一个卷积神经网络。我想对属于 10 个类别的图片的测试数据集进行分类。我的 CNN 设置与 tensorflow 教程保持一致，并进行了一些修改以满足我的图像大小。 我在 500 张图像的随机样本上重复运行训练步骤 20 次，然后在大小为 500 的不同样本上重复该步骤 50 次。我使用 200 个样本作为验证数据集（在所有运行中保持这个固定）。结果，我得到了大约 35% 的准确率，这在我看来还算不错，因为我没有进行任何优化，而且图像很难分配给人类的单一类别。

所以这是我的问题：

• 在同一批次上运行一个步骤 20 次真的有意义吗？ （我这样做是因为它是关于适合 RAM 的内容，并且加载新批次需要相当长的时间 - 所以我可以在更短的时间内获得更多的运行）
• 在训练准确度图表（见下文）中，在步骤 120-130 附近的某个点有一个跳跃。从那时起，对于同一随机批次的每 20 次运行，准确率上升接近 100%。这种跳跃在网络结构/学习方面意味着什么？

Answer 1

您的峰值可能是由于网络过度拟合您反复展示它的批次，而没有真正学到一般有用的东西。这也回答了你的第一个问题——在这种情况下，它没有意义。