为什么卷积自动编码器中的训练损失和验证损失没有减少。培训数据的维度为10496x1024，而CAE则使用32x32中的keras尺寸图片修补程序进行了培训。我已经尝试l2regularization，但没有多大帮助。我是20世纪的火车。可能是其他替代方案？
输出：
Epoch 1/20 10496/10496 [========] - 52s - 损失：0.4029 - val_loss： 0.3821
Epoch 2/20 10496/10496 [========] - 52s - 损失：0.3825 - val_loss： 0.3784
大纪元3/20 10496/10496 [=======] - 52s - 损失：0.3802 - val_loss： 0.3772
Epoch 4/20 10496/10496 [=======] - 51s - 损失：0.3789 - val_loss： 0.3757
大纪元5/20 10496/10496 [=======] - 52s - 损失：0.3778 - val_loss： 0.3752
Epoch 6/20 10496/10496 [=======] - 51s - 损失：0.3770 - val_loss： 0.3743
大纪元7/20 10496/10496 [=======] - 54s - 损失：0.3763 - val_loss： 0.3744
Epoch 8/20 10496/10496 [=======] - 51s - 损失：0.3758 - val_loss： 0.3735
大纪元9/20 10496/10496 [=======] - 51s - 损失：0.3754 - val_loss： 0.3731
Epoch 10/20 10496/10496 [=======] - 51s - 损失：0.3748 - val_loss： 0.3739
Epoch 11/20 10496/10496 [=======] - 51s - 损失：0.3745 - val_loss： 0.3729
Epoch 12/20 10496/10496 [=======] - 54s - 损失：0.3741 - val_loss： 0.3723
Epoch 13/20 10496/10496 [=======] - 51s - 损失：0.3736 - val_loss： 0.3718
Epoch 14/20 10496/10496 [=======] - 52s - 损失：0.3733 - val_loss： 0.3716
Epoch 15/20 10496/10496 [=======] - 52s - 损失：0.3731 - val_loss： 0.3717
Epoch 16/20 10496/10496 [=======] - 51s - 损失：0.3728 - val_loss： 0.3712
大纪元17/20 10496/10496 [=======] - 49s - 损失：0.3725 - val_loss： 0.3709
Epoch 18/20 10496/10496 [=======] - 36s - 损失：0.3723 - val_loss： 0.3710
大纪元19/20 10496/10496 [=======] - 37s - 损失：0.3721 - val_loss： 0.3708
Epoch 20/20 10496/10496 ========] - 37s - 损失：0.3720 - val_loss： 0.3704
答案 0 :(得分：0)
您的网络仍然在学习，并且在第20纪元并没有减速。如果您有足够的数据，您可以尝试更高的学习速度和更早的停止方法。 这种方法也可以应用正则化方法和k折交叉验证。