#tensorflow #keras #autoencoder
#tensorflow #keras #автоэнкодер
Вопрос:
У меня есть эта последовательная модель:
conv2d (Conv2D) (None, 256, 256, 32) 320
_________________________________________________________________
conv2d_1 (Conv2D) (None, 128, 128, 64) 18496
_________________________________________________________________
conv2d_2 (Conv2D) (None, 128, 128, 64) 36928
_________________________________________________________________
conv2d_3 (Conv2D) (None, 64, 64, 128) 73856
_________________________________________________________________
conv2d_4 (Conv2D) (None, 64, 64, 128) 147584
_________________________________________________________________
conv2d_5 (Conv2D) (None, 32, 32, 256) 295168
_________________________________________________________________
conv2d_6 (Conv2D) (None, 32, 32, 256) 590080
_________________________________________________________________
conv2d_7 (Conv2D) (None, 32, 32, 128) 295040
_________________________________________________________________
conv2d_transpose (Conv2DTran (None, 64, 64, 128) 147584
_________________________________________________________________
conv2d_8 (Conv2D) (None, 64, 64, 64) 73792
_________________________________________________________________
conv2d_transpose_1 (Conv2DTr (None, 128, 128, 64) 36928
_________________________________________________________________
conv2d_9 (Conv2D) (None, 128, 128, 32) 18464
_________________________________________________________________
conv2d_transpose_2 (Conv2DTr (None, 256, 256, 32) 9248
_________________________________________________________________
conv2d_10 (Conv2D) (None, 256, 256, 16) 4624
_________________________________________________________________
conv2d_11 (Conv2D) (None, 256, 256, 2) 290
=================================================================
И я хочу раскрасить черно-белые (256×256) портреты.
Размер моего набора данных: 7650
Я пытался использовать Adamax и RMSProp. Точность и потери в порядке, но val_loss и val_accuracy просто колеблются. В чем проблема?
Ответ №1:
Кажется, ваша модель переоснащена, вам следует уменьшить количество параметров в вашей сети: меньше весовых слоев или меньше фильтров.
Кроме того, вы можете использовать методы для уменьшения переобучения: отсев, нормализация пакетов, регуляризация…
Наконец, вы можете создавать новые изображения с увеличением данных (в соответствии с вашим набором данных), например, переворачивать изображения, сдвигать, поворачивать, обрезать…