我正在对全球211个相似物体（硬币）进行图像分类，我的模型一直存在低准确率和高过拟合的问题。有没有提高模型的方法，可以在降低过拟合的同时提高准确率？

图像尺寸：350x350normalization_layer = layers.experimental.preprocessing.Rescaling(1./255)数据增强：RandomFlip("horizontal") ,                     RandomRotation(0.1),RandomZoom(0.1),layers : experimental.preprocessing.Rescaling(1./255), Conv2D(16, 3, padding='same', activation='relu'), MaxPooling2D(), Conv2D(32, 3, padding='same', activation='relu'),MaxPooling2D(),Conv2D(64, 3, padding='same', activation='relu'),MaxPooling2D(),Dropout(0.8),Flatten(),Dense(128, activation='relu'),Dense(num_classes)model.compile(optimizer='adam',              loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),              metrics=['accuracy'])epochs = 50

结果显示，从第10个epoch开始过拟合：

loss: 2.8354 - accuracy: 0.3566 - val_loss: 2.8626 - val_accuracy: 0.4017

第50个epoch时：

loss: 1.0284 - accuracy: 0.7201 - val_loss: 2.2794 - val_accuracy: 0.6493

回答：

我建议使用预训练的Resnet-50进行迁移学习。可调整的学习率可以防止过拟合。参考这里。
你可以使用中间的SVM分类器来获得更好的性能。请看下图：输入被发送到预训练模型。我们从网络中较早的激活层训练SVM分类器（我们需要调整这一点）。