求助：人脸识别认证模型训练优泛化差，是过拟合还是欠拟合？

这是典型的过拟合现象，判断依据如下：

曲线特征分析 #

准确率曲线 #

训练准确率持续攀升至接近100%，说明模型对训练数据的拟合程度极高；但测试准确率上升到一定程度后便停滞不前，甚至有轻微下降趋势，训练准确率与测试准确率的差距不断扩大，表明模型无法有效泛化到未见过的测试数据。

损失曲线 #

训练损失不断降低，逐渐趋近于0，而测试损失在初期下降后开始回升，两者的差距持续增大，这是过拟合的核心特征——模型过度学习了训练数据中的噪声和特异性细节，而非人脸识别所需的通用特征。

模型结构参考 #

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(int(self.org_img_height),int(self.org_img_width),3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

虽然模型中加入了Dropout层抑制过拟合，但从曲线表现来看，当前正则化力度不足以解决问题，可尝试以下优化方向：

• 数据增强：对人脸图像进行随机翻转、裁剪、亮度/对比度调整等操作，扩充训练数据集的多样性。
• 强化正则化：增大Dropout比例，或为全连接层添加L1/L2正则化；在卷积层后加入BatchNormalization层，稳定训练过程并降低过拟合风险。
• 简化模型：适当减少卷积层的滤波器数量，或缩小全连接层的神经元规模，降低模型容量。
• 早停训练：监控验证损失，当验证损失连续多个epoch未下降时终止训练，避免模型过度迭代拟合训练数据。

内容的提问来源于stack exchange，提问作者Pothula Vinitha reddy