训练精度提高但验证精度仍然是每个班级的机会（1/班级数）答案

【问题标题】：Training Accuracy Increasing but Validation Accuracy Remains as Chance of Each Class (1/number of classes)训练精度提高但验证精度仍然是每个班级的机会（1/班级数）
【发布时间】：2021-09-06 17:16:57
【问题描述】：

我正在 Pytorch 中使用 CNN 训练分类器。我的分类器有 6 个标签。每个标签有 700 个训练图像，每个标签有 10 个验证图像。批量大小为 10，学习率为 0.000001。每个类占整个数据集图像的 16.7%。我已经训练了 60 个 epoch，架构有 3 个主要层：

Conv2D->ReLU->BatchNorm2D->MaxPool2D>Dropout2D
Conv2D->ReLU->BatchNorm2D->扁平化->Dropout2D
Linear->ReLU->BatchNorm1D->Dropout 最后是一个全连接和一个softmax。我的优化器是 AdamW，损失函数是交叉熵。随着训练准确度的提高，网络训练得很好，但验证准确度几乎保持不变，并且与每个类的机会相等（1/类数）。准确度如下图所示：

Accuracy of training and test

而损失显示在：

Loss for training and validation

知道为什么会发生这种情况吗？如何提高验证准确性？我也使用了 L1 和 L2 正则化以及 Dropout 层。我也尝试添加更多数据，但这些都没有帮助。

【问题讨论】：

标签： python deep-learning conv-neural-network overfitting-underfitting

【解决方案1】：

已解决的问题：首先，我将此问题视为过拟合，并在正则化和增强等方法上花费了大量时间来解决此问题。最后，在尝试了不同的方法后，我无法提高验证的准确性。因此，我浏览了数据。我在数据准备中发现了一个错误，导致在不同的标签下生成了类似的张量。我生成了正确的数据，问题在一定程度上得到了解决（验证准确率提高了 60% 左右）。最后我通过添加更多“conv2d + maxpool”层将验证准确率提高到 90%。

【讨论】：

【解决方案2】：

这不是一个与编程相关的问题，所以可以在cross-validated 再问一次如果您发布架构代码会更容易。但我建议以下几点：

您写道您“尝试添加更多数据”，如果可以，请始终使用您拥有的所有数据。如果这仍然不够（即使是），请使用增强（例如翻转、裁剪、向图像添加噪点）
你的学习率不应该这么小，从 0.001 开始并在训练时衰减或尝试 ~ 0.0001 而不会衰减
删除 conv 层之后的 dropout 和密集层之后的 batchnorm，看看是否有帮助，在 conv 之后使用cropout 并不常见，但通常不会产生负面影响。还是试试吧

【讨论】：

谢谢@Theodor。我找到了这个问题背后的原因。我现在将其发布为答案。