我正在尝试创建一个模型来预测绘画的艺术风格。为此，我使用的是Kaggle为他们的比赛提供的数据集，编号为Painter by Numbers。尽管数据集中有137种艺术风格，但我仅使用其中三种。这三种风格分别是-印象派，表现主义和超现实主义。我从每个班级拍摄了3000张图像来训练模型。此外，我使用了每个班级的300张图像，总共900张图像，以验证训练。 我计划将预训练的VGGNet用作模型的底层。我已经在Google Colab上训练了模型。现在的问题是，随着模型开始学习，损失越来越大，验证精度接近0.33，这令人不快。随机猜测也会提供这种准确性。
我创建了一个具有预训练VGGNet基础层的模型。我在前两层中添加了一些完全连接的层，其中有1024个神经元，第三层中有512个神经元，最后一层中有3个神经元。我使用的优化程序是SGD，学习率为0.01，衰减为1e-6，动量为0.9。我的损失函数是“ categorical_crossentropy”。此外，输入图像形状为（100,100,3）。 为了进行训练，我将每个时期的样本声明为100。该时期的数目为30。下面提供了所有代码。
model_vgg16_conv = VGG16(weights='imagenet', include_top=False)
input = Input(shape=(100,100,3), name='image_input')
output_vgg16_conv = model_vgg16_conv(input)
x = Flatten(name='flatten')(output_vgg16_conv)
x = Dense( 1024, activation='relu', name='fc1')(x)
x = Dense( 1024, activation='relu', name='fc2')(x)
x = Dense( 512, activation='relu', name='fc3')(x)
x = Dense( 3, activation='softmax', name='predictions')(x)
my_model = Model(input=input, output=x)
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
my_model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.1, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory(train_root, target_size=(100,100), batch_size=32, class_mode='categorical')
test_set = test_datagen.flow_from_directory(test_root, target_size=(100,100), batch_size=32, class_mode='categorical')
my_model.fit_generator(training_set, samples_per_epoch=100, nb_epoch=30, validation_data=test_set, nb_val_samples=300)
这会导致验证准确性低和损失值不断增加。甚至将损失值提高到10。此外，这也会导致验证准确性降低。如何使情况变得更好？