训练准确性高，验证准确性低的CNN二进制分类keras

如何解决训练准确性高，验证准确性低的CNN二进制分类keras

我正在尝试创建一个可以区分阿尔茨海默氏病患者和健康个体的MRI的二进制分类器。
这些是到目前为止的统计信息：

• 1032个训练图像
• 400张验证图片
• 运行如下所示的简单模型
• 我既有原始的160x160图像，也有边缘检测后的图像

型号：

{
  "errorMessage": "Unable to import module 'app': No module named 'jwt'","errorType": "Runtime.ImportModuleError"
}

正如您所看到的-这很简单，我故意这样做是为了尝试解决过度拟合的问题。

输出：

model = Sequential([
    Conv2D(filters=16,kernel_size=(5,5),activation='relu',padding = 'same',input_shape=(160,160,3)),MaxPool2D(pool_size=(2,2),strides=2),Flatten(),Dense(units=2,activation='softmax')
])

到目前为止我已经尝试过的事情：

• 将图像调整为较小的输入
• 添加辍学层
• 使用仅显示边缘的预处理图像
• 确保训练和验证数据集中的两个课程均均匀分布
• 改变学习率
• 将参数数量减少到与我拥有的训练图像数量相同的幅度

我实际上是个主意，我不确定该如何前进，所以我将不胜感激任何提示或建议。

我所有的代码：

11/11 [==============================] - 2s 194ms/step - loss: 0.7604 - accuracy: 0.5155 - val_loss: 0.7081 - val_accuracy: 0.5000
Epoch 2/20
11/11 [==============================] - 2s 185ms/step - loss: 0.6885 - accuracy: 0.5223 - val_loss: 0.6942 - val_accuracy: 0.4839
Epoch 3/20
11/11 [==============================] - 2s 185ms/step - loss: 0.6802 - accuracy: 0.5854 - val_loss: 0.6985 - val_accuracy: 0.4931
Epoch 4/20
11/11 [==============================] - 2s 185ms/step - loss: 0.6717 - accuracy: 0.5932 - val_loss: 0.6996 - val_accuracy: 0.4677
Epoch 5/20
11/11 [==============================] - 2s 195ms/step - loss: 0.6512 - accuracy: 0.6175 - val_loss: 0.7124 - val_accuracy: 0.5115
Epoch 6/20
11/11 [==============================] - 2s 185ms/step - loss: 0.6345 - accuracy: 0.6476 - val_loss: 0.7073 - val_accuracy: 0.5253
Epoch 7/20
11/11 [==============================] - 2s 185ms/step - loss: 0.6118 - accuracy: 0.6680 - val_loss: 0.6920 - val_accuracy: 0.5207
Epoch 8/20
11/11 [==============================] - 2s 185ms/step - loss: 0.5817 - accuracy: 0.7068 - val_loss: 0.6964 - val_accuracy: 0.5207
Epoch 9/20
11/11 [==============================] - 2s 184ms/step - loss: 0.5528 - accuracy: 0.7272 - val_loss: 0.7123 - val_accuracy: 0.5161
Epoch 10/20
11/11 [==============================] - 2s 193ms/step - loss: 0.5239 - accuracy: 0.7417 - val_loss: 0.7397 - val_accuracy: 0.5392
Epoch 11/20
11/11 [==============================] - 2s 186ms/step - loss: 0.5106 - accuracy: 0.7427 - val_loss: 0.7551 - val_accuracy: 0.5461
Epoch 12/20
11/11 [==============================] - 2s 197ms/step - loss: 0.4920 - accuracy: 0.7650 - val_loss: 0.7402 - val_accuracy: 0.5438
Epoch 13/20
11/11 [==============================] - 2s 190ms/step - loss: 0.4741 - accuracy: 0.7835 - val_loss: 0.7564 - val_accuracy: 0.5507
Epoch 14/20
11/11 [==============================] - 2s 188ms/step - loss: 0.4591 - accuracy: 0.7767 - val_loss: 0.7445 - val_accuracy: 0.5300
Epoch 15/20
11/11 [==============================] - 2s 185ms/step - loss: 0.4486 - accuracy: 0.7767 - val_loss: 0.7712 - val_accuracy: 0.5415
Epoch 16/20
11/11 [==============================] - 2s 185ms/step - loss: 0.4503 - accuracy: 0.7806 - val_loss: 0.7446 - val_accuracy: 0.5346
Epoch 17/20
11/11 [==============================] - 2s 188ms/step - loss: 0.4404 - accuracy: 0.7670 - val_loss: 0.7669 - val_accuracy: 0.5553
Epoch 18/20
11/11 [==============================] - 2s 184ms/step - loss: 0.4169 - accuracy: 0.8078 - val_loss: 0.7804 - val_accuracy: 0.5576
Epoch 19/20
11/11 [==============================] - 2s 184ms/step - loss: 0.3987 - accuracy: 0.7971 - val_loss: 0.7846 - val_accuracy: 0.5507
Epoch 20/20
11/11 [==============================] - 2s 192ms/step - loss: 0.3977 - accuracy: 0.7981 - val_loss: 0.8060 - val_accuracy: 0.5461

编辑：

This paper似乎比我做得要好得多，并且完成了非常相似的任务，因此查看以下方法可能很有用：

解决方法

可以尝试的东西。

• 这是从迁移学习开始的好方法。使用图像净重可以帮助您仅训练最后一层并提供更好的准确性。
• 添加以验证准确性为约束的提前停止和降低学习率。
• 利用ImageDataGenerator并添加更多的数据增强技术。
• 使您的模型更深入，并尝试使用其他优化程序（RMSprop），以尽早停止运行更多时间。
• 添加回调并根据学习率绘制训练验证准确性图，以查看哪个lr最适合数据。

,

由于缺少数据，您的模型似乎过拟合。您可以进行一些数据扩充以增加您拥有的图像数量。如果您不在乎长宽比，则可以使图像变形；如果不总是需要完整的图像，则可以裁剪图像；如果方向不重要，则可以旋转图像。这些事情可以大大增加数据集的大小，并有助于减轻过度拟合的情况。

以下是tensorflow documentation中的一个示例：

batch_size = 32
AUTOTUNE = tf.data.experimental.AUTOTUNE

def prepare(ds,shuffle=False,augment=False):
  # Resize and rescale all datasets
  ds = ds.map(lambda x,y: (resize_and_rescale(x),y),num_parallel_calls=AUTOTUNE)

  if shuffle:
    ds = ds.shuffle(1000)

  # Batch all datasets
  ds = ds.batch(batch_size)

  # Use data augmentation only on the training set
  if augment:
    ds = ds.map(lambda x,y: (data_augmentation(x,training=True),num_parallel_calls=AUTOTUNE)

  # Use buffered prefecting on all datasets
  return ds.prefetch(buffer_size=AUTOTUNE)

另外，here是TensorFlow开发人员youtube频道上的精彩视频，它解释了图像增强的概念并展示了如何实现它的示例。