python - Keras 交叉验证精度在每个 epoch 后稳定在 (1/output_classes)

Question

我目前正在尝试训练一个 DNN 用于具有大量扬声器的语音识别，每个扬声器都有自己的标签（output_classes = 扬声器总数）。我的数据库现在有 300 个发言者，Keras 模型摘要如下：

1240 (输入大小) --> 256 hidden --> 256 hidden --> 256 hidden (0.5 dropout) --> 256 (0.5 dropout) --> Softmax (300)

我分批提供数据（每个扬声器数据 = 一批）并使用以下优化器：

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

如下fit_generator：

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

trainGen我的生成器函数在哪里

训练时，交叉验证准确率始终稳定在 0.0033 即 1/300。不过，训练和交叉验证损失在每个 epoch 之后都在下降。有什么建议么？

Answer 1

因此，事实证明，由于我的数据库太小，我的网络严重过度拟合。添加更多数据和正则化最终有助于获得不错的准确性。