我正在研究一种多分类深度学习算法，但我正在过度拟合：
我的模型应该对 17 个不同品牌的太阳镜进行分类，但我只有大约 400 张来自每个品牌的图像，所以我创建了一个数据增强 x3 倍的文件夹，生成具有以下参数的图像：
datagen = ImageDataGenerator(
rotation_range=30,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest')
这样做后，我得到了这些结果：
我不知道仅使用原始图像进行验证是否正确，或者我是否还必须使用增强图像进行验证，对我来说获得比训练更高的验证准确度也很奇怪。
您应该只对原始图像进行验证。增强功能在那里可以帮助您的模型更好地泛化，但要评估您的模型，您需要实际图像，而不是转换后的图像。
要在 keras 中执行此操作，您需要定义 的两个实例ImageDataGenerator，一个用于训练，一个用于验证。要训练模型，您需要将两个生成器都设置为该fit_generator函数。
train_gen = ImageDataGenerator(aug_params).flow_from_directory(train_dir)
valid_gen = ImageDataGenerator().flow_from_directory(valid_dir)
model.fit_generator(train_gen, validation_data=valid_gen)
如果您大量增加训练数据，则可以实现比训练准确度更高的验证准确度。
理想情况下，数据增强是训练管道中的一个步骤，这是在将数据拆分为训练/验证/测试集之后进行的。否则，您在训练和测试中都有相同的数据点，即使它有点旋转。
所以你的训练管道可能是这样的：
+-> training set ---> data augmentation --+
| |
| +-> model training --+
| | |
all data -+-> validation set -----------------------+ |
| +-> model testing
| |
| |
+-> test set --------------------------------------------------+
您无需使用数据增强进行验证。您仅将数据 aug 用于训练（因为您没有足够的数据）。如果你有很多数据，那么数据扩充就没有意义了。
而且您需要数据增强来减少过拟合，还有其他减少过拟合的方法，例如 dropout。