Kera的val_acc 99.9％，但对多标签分类的预测很差

Question

已更新，以包含更多信息和上下文。

我之前发现了与此类似的其他问题，但是解决方案似乎对我没有帮助。我有大约1000个字体字母标签，而且我正在使用S型激活来返回每个标签是特定字体的概率。字体是灰度的，每个类在白色背景上都有大约60张不同大小的图像。

我正在使用回调来防止过度拟合，并且它运行了3个纪元，并通过3个纪元迅速达到了99.99％的val_acc和acc，结果在第一个纪元（500步）中是这样的：

= []

在3个时间段结束时：

24576/44371 [===============>..............] - ETA: 4480s - loss: 0.0185 - acc: 0.9982]

生成的模型的模型预测值在最接近的位置上没有，最接近的是看起来完全不同的字体字母的10％匹配。 有什么不对劲，有人可以帮我吗？这是模型代码：

44370/44370 [==============================] - 9634s - loss: 0.0177 - acc: 0.9989 - val_loss: 0.0177 - val_acc: 0.9989

我的配置选项是：

• 500个培训步骤（也尝试过2000）
• 0.0005学习率（也尝试0.1）
• 批次大小32
• 我尝试过的5到20个时期，但在2点就退出以停止过度拟合（耐心2）

有人有什么建议吗？

Answer 1

  

〜1000个字体字母的标签，每个类别中大约有60张图像

那么每个班级只有60张图片吗？

有几点要注意：如果使用ImageDataGenerator，则可以通过旋转，剪切，缩放等方式增加输入量。这会增加网络的输入范围。而且，您可以预留 @override Widget build(BuildContext context) { return new MaterialApp( debugShowCheckedModeBanner: false, title: "Gigforce", theme: ThemeData( primarySwatch: Colors.green, ), 来避免训练，仅用于验证。