CNN keras模型没有训练参数代表什么并改进模型

Question

我正在寻找有关keras cnn模型的有用建议。 我有一个非常小的数据集（144张图像），我正在通过keras cnn训练，我尝试添加许多layers和num_of_filters但即使trained parameter数量为num_of_filters ，准确性也没有增加。 大量参数是否代表更多机会获得良好的精度？ 下面是我现有的模型，它给出val_acc=0.56 。 我如何改善我的模型。

inputs=Input(shape=(100,100,1))
x=Conv2D(28, (5, 5), padding='same')(inputs)
x=SReLU()(x)
x=MaxPooling2D(pool_size=(2,2), strides=(1, 1))(x)
x=Conv2D(14, (4, 4), padding='same')(x)
x=SReLU()(x)
x=MaxPooling2D(pool_size=(2,2), strides=(1, 1))(x)
x=Conv2D(7, (3, 3), padding='same')(x)
x=SReLU()(x)
x=MaxPooling2D(pool_size=(2,2))(x)
x=Flatten()(x)
x=Dropout(0.2)(x)
x=Dense(512)(x)
x=SReLU()(x)
#x=keras.layers.GlobalMaxPooling2D()(x)
x=Dropout(0.2)(x)
x=Dense(num_classes)(x)

output=Activation('softmax')(x)
model=Model([inputs], output)

Answer 1

大量参数容易过拟合。 如果您的训练准确度接近100％，而您的验证准确度只有50％左右，就属于这种情况。 如果是这种情况，您可能需要看一下转移学习（ https://towardsdatascience.com/transfer-learning-using-keras-d804b2e04ef8 ）。 这是用于拟合较小数据集的技术之一。