每個時期之后的Keras交叉驗證准確性穩定在（1 / output_classes）

Question

我目前正在嘗試訓練具有大量說話者的DNN進行語音識別，每個說話者都有自己的標簽（output_classes =說話者總數）。 我的數據庫現在有300位演講者，Keras模型的摘要如下：

1240（輸入大小）-> 256隱藏-> 256隱藏-> 256隱藏（0.5下降）-> 256（0.5下降）-> Softmax（300）

我要分批提供數據（每個發言人數據=一批），並使用以下優化程序：

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

和fit_generator如下：

model.fit_generator(
    trainGen(i=0),
    steps_per_epoch=num_class,
    epochs=500,
    validation_data=(x_test, y_test))

這里的trainGen是我的生成器函數

訓練時，交叉驗證的准確性始終穩定在0.0033，即1/300。 在每個時期之后，訓練和交叉驗證損失都在下降。 有什么建議么？

Answer 1

因此，事實證明我的網絡過於龐大，因為我的數據庫太小了。 添加更多數據並進行正則化最終有助於獲得不錯的准確性。