训练精度和验证精度.png 训练损失和验证损失.png

发生了过拟合。训练精度随着时间线性增加，直到接近 100%，而验证精度则停留在 70%~72%。验证损失仅在 5 轮后就达到最小值，然后保持不变，而训练损失则一直线性下降，直到接近于 0。

不使用前面介绍的降低过拟合技巧，使用一种针对于计算机视觉领域的新方法，在用深度学习模型处理图像时几乎都会用到这种方法，它就是数据增强（data augmentation）。

使用数据增强

从现有的训练样本中生成更多的训练数据，其方法是利用多种能够生成可信图像的随机变换来增加（augment）样本。其目标是，模型在训练时不会两次查看完全相同的图像。这让模型能够观察到数据的更多内容，从而具有更好的泛化能力。

利用 ImageDataGenerator 来设置数据增强
datagen = ImageDataGenerator(
    rotation_range=40, # 角度值（0~180范围内），表示图像随机旋转的角度范围
    width_shift_range=0.2, # 水平方向上平移的范围（相对于总宽度的比例）
    height_shift_range=0.2, # 垂直方向上平移的范围（相对于总高度的比例）
    shear_range=0.2, # 随机错切变换的角度
    zoom_range=0.2, # 图像随机缩放的范围
    horizontal_flip=True, # 随机将图像水平翻转
    fill_mode='nearest' # 用于填充新创建像素的方法，这些新像素可能来自于旋转或宽度/高度平移
)

• rotation_range 是角度值（在 0~180 范围内），表示图像随机旋转的角度范围。
• width_shift 和 height_shift 是图像在水平或垂直方向上平移的范围（相对于总宽度或总高度的比例）。
• shear_range 是随机错切变换的角度。
• zoom_range 是图像随机缩放的范围。
• horizontal_flip 是随机将一半图像水平翻转。如果没有水平不对称的假设（比如真实世界的图像），这种做法是有意义的。

• fill_mode是用于填充新创建像素的方法，这些新像素可能来自于旋转或宽度/高度平移。我们来看一下增强后的图像

  
  通过随机数据增强生成的猫图像.PNG