如何为 CNN 选择最佳层并提高精度？

Question

我正在使用 CNN model 构建食物识别问题。 我的数据由 35 个标签和 1017 个大小为 224 的图像组成，我将训练数据和有效数据分开，结果是 824 个训练和 193 个有效。 我为如下代码的类构建结构。 然而，在 100 多个 epoch 之后，我运行了测试数据集，预测分数只有 2.85%，f1_score、precision 和 recall 指标只出现在 1-2 个标签中。 如何提高我的预测分数以及 f1_score、precision、recall

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(224,224,3)),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu',padding='same'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu',padding='same'),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu',padding='same'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(35, activation='softmax'),
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy', 
              metrics=['accuracy'])

model.summary()

Answer 1

最重要的是你需要更多的数据，如果你训练 model 100 个 epoch 的可用数据，它肯定会过拟合训练样本。

1. 收集更多数据 | 手动注释更多数据
2. 由于您有 35 个类，因此您应该拥有所有类的平衡数据集。
3. 从较少的卷积层和 FCL 开始，逐渐增加层及其参数并保存每个 epoch 的结果
4. 随着您提到的类的数量，您还需要大量的测试数据来获得准确的结果，并且训练和测试样本中的图像上下文可能不同。