我正在训练一个修改后的 VGG-16 来对人群密度进行分类（空、低、中、高）。在最后 2 个 FC 层之一之后，在网络的末端添加了 2 个 dropout 层。
网络设置：
训练数据包含 4381 张图像，分为 4 类（空、低、中、高），20% 的训练数据用于验证。测试数据有 2589 张图像。
训练进行了 50 个 epoch。（训练验证准确度在 50 个 epoch 后下降）
lr=0.001，衰减=0.0005，动量=0.9
损失=分类交叉熵
（训练、验证和测试数据）的增强：rescale=1./255，brightness_range=(0.2,0.9)，horizontal_flip
使用上述设置，我得到以下结果：
训练评估损失：0.59，准确率：0.77
测试准确度 77.5（正确预测 2007 年，共 2589 次）
对此，我有两个担忧：
我还能做些什么来提高训练和测试的准确性吗？
我怎么知道这是否是我能得到的最佳精度？
我还能做些什么来提高训练和测试的准确性吗？
是的，当然，如果您想尝试提高准确性，有很多方法，我可以提一下：
本质上，您必须对模型进行大量实验，直到您认为“足够了”（如果您有截止日期）。如果您没有严格的截止日期，您可以不断改进更新您的 ML 模型。
我怎么知道这是否是我能得到的最佳精度？
不，除非您将其与其他模型/超参数进行比较，否则您不能。如果你做更多的实验（就像我上面提到的那样）或者与其他人使用相同数据的实验进行比较，你会发现哪一个是最好的。例如，对于一篇学术论文，您需要比较至少 3 到 4 个相似的模型，或者用数百种不同的超参数组合进行实验。
malioboro没有提到的一种选择是获取更多数据。获得更大的数据集几乎总是可以改善训练结果。如果很难获得更多标记数据，您可以在现有数据上使用数据增强 - 在保持相同标签的同时进行小的随机转换。
对于图像，最常见的增强方法是（如果需要，应用填充）：
还有更复杂的方法，但它们取决于特定的数据集/训练目标
停止：