深度学习中，如何判断网路过拟合还是网路没学习到深层特征？
在深度学习中，测试集的效果明显不如训练集，但是训练集已经接近100%的正确率，且模型只有三层CNN，这时候是应该做过拟合处理还是应该加深网路？
参数越少越不容易过拟合，但表示能力会有所下降。
如果你的CNN只有三层结构，明显是特征提取不足，我很好奇你的训练集为什么表现这么好……
推荐加深卷积层，精简全连接层，再试一试。
训练集评估指标很好高，测试集评估指标很低，大概率是过拟合；
训练集评估指标不高，大概率是欠拟合。
1. 数据增强，整体增加训练样本量。至少做到几十倍的样本扩充。
2. 对样本较少的类别，多做一些增强，多的少一些，消除样本不均衡。
3. 如果网路是自己搭建的一个比较浅层的卷积网路，注意全连接层的节点数不要太多，训练时一定要用dropout
4. 注意权重的初始化方式。可以用一个稍大的初始学习率，1e-2甚至1e-1
5. 可以适当再加几层卷积层。
6. 训练集和验证集的比例应当保持在8:2或9:1，验证集数据不宜超过30%，看你的回答里貌似比例达到了1:1。另外可以采用k折交叉验证。
训练集准确率: 99 %
训练集的混淆矩阵:[[47207 1][ 0 3786]]测试集准确率: 98 %
测试集的混淆矩阵:[[46217 247][ 539 2680]]因为正负样本不均衡，所以我还想再提高下测试集的[0,1]类的准确率，下一步该怎么做？
训练集百分之一百指的loss吗
这种情况就是过拟合了
要不就是网路性能太强 参数太多
要不就是数据过于简单 或者训练集容量太小
只能说参考一下数据增强 或者更换网路来做了
不大理解前面说的权重初始化调整对这个有什么影响 不是为了加快训练速度吗 应该不影响训练最终结果吧
可以用TensorBoard看训练集和测试集的loss的变化曲线。训练集上达到100%的准确率肯定是过拟合了。我估计应该是数据量太小…
推荐阅读：
