Графики точности и потерь для обучающих данных, а также проверочные данные практически идентичны, что говорит о том, что вы не перегружаете данные, что желательно.Предоставление большего количества данных путем поворота изображений поможет уменьшить переоснащение, но не повысит точность тренировки.Вы должны пытаться тренироваться с помощью методов увеличения данных, если вы не переоснащаетесь, когда точность данных тренировки низкая.Поскольку точность вашей тренировки относительно низка, вероятно, в сети недостаточно слоев, чтобы зафиксировать сложную связь между вашим изображением и выводом.Поэтому вы должны попытаться увеличить сложность модели, попробовав новую архитектуру, которая имеет больше слоев.Возможно, VGG 19 поможет.
При обучении модели машинного обучения вы придерживаетесь этого подхода.1. Проверьте свою ошибку в обучении.Если это выше, чем увеличение сложности модели.По сложности модели для ваших традиционных моделей ml вы увеличиваете количество функций в обучении.Для CNN на основе изображений вы делаете это путем увеличения количества слоев CNN и / или увеличения количества фильтров в каждом из CNN.
Проверьте вашу ошибку проверки.если оно значительно больше, но ваша ошибка обучения меньше, модель перезаписывает данные.Вы используете такие методы, как выпадение, нормализация партии и другие данные обучения, чтобы ошибка проверки была как можно ближе к ошибке обучения.
Вы продолжаете повторять два шага, пока не получите желаемую ошибку проверки.