如何在 Keras 中故意过度拟合卷积神经网络以确保模型正常工作？

我正在尝试诊断训练模型时导致精度低的原因。此时，我只想能够获得高训练精度（我可以稍后担心测试精度/过度拟合问题）。如何调整模型以提高训练准确性？我想这样做是为了确保我在预处理步骤（洗牌、分割、标准化等）中没有犯任何错误。

#PARAMS
dropout_prob = 0.2
activation_function = 'relu'
loss_function = 'categorical_crossentropy'
verbose_level = 1
convolutional_batches = 32
convolutional_epochs = 5
inp_shape = X_train.shape[1:]
num_classes = 3


def train_convolutional_neural():
    y_train_cat = np_utils.to_categorical(y_train, 3) 
    y_test_cat = np_utils.to_categorical(y_test, 3)

    model = Sequential()
    model.add(Conv2D(filters=16, kernel_size=(3, 3), input_shape=inp_shape))
    model.add(Conv2D(filters=32, kernel_size=(3, 3)))
    model.add(MaxPooling2D(pool_size = (2,2)))
    model.add(Dropout(rate=dropout_prob))
    model.add(Flatten())
    model.add(Dense(64,activation=activation_function))
    model.add(Dense(num_classes,activation='softmax'))
    model.summary()
    model.compile(loss=loss_function, optimizer="adam", metrics=['accuracy'])
    history = model.fit(X_train, y_train_cat, batch_size=convolutional_batches, epochs = convolutional_epochs, verbose = verbose_level, validation_data=(X_test, y_test_cat))
    model.save('./models/convolutional_model.h5')

您需要删除 Dropout 层。这是一个针对故意过度拟合的小清单：

• 删除任何正则化（Dropout、L1 和 L2 正则化）
• 确保设置较慢的学习速率（Adam 是自适应的，所以在你的情况下没问题）
• 您可能不想打乱训练样本（例如，所有前 100 个样本都是 A 类，接下来的 100 个样本是 B 类，最后 100 个样本是 C 类）。Update: 正如所指出的彼得苏黎世在下面的答案中，应谨慎考虑这一点，因为它可能根本没有任何训练效果。

现在，如果您很容易过度拟合模型，那么这是一个好兆头strong模型，能够表示数据。否则，您可能会考虑更深/更广泛的模型，或者您应该仔细查看数据并提出问题：“真的有任何模式吗？这是可以训练的吗？”。