Xcode Create ML工具提前在10次iterations收敛及新增训练图像未生效问题求助

我之前在使用Create ML做图像分类时也碰到过几乎一模一样的问题——明明设了更大的最大迭代次数，却总是早早收敛，而且新增的训练数据好像没起作用。结合几次调试的经验，给你几个实操的解决方向：

• 先确认新增数据真的被正确加载了
  有时候手动把Preview里的错误识别图像添加到训练集，Create ML可能没有实时同步到数据集索引里。你可以：

  1. 右键点击你的Create ML项目，选择「Show in Finder」，直接查看训练集文件夹里有没有新增的图片；
  2. 如果找不到新增图，就删掉当前的训练数据集，重新导入包含所有图像（包括新增的）的完整文件夹，再启动训练；
  3. 还要检查新增图像的标签是否正确——如果标签标错了，模型根本没法从这些数据里学到有用的特征，自然还是会快速收敛。

• 调整早停机制的配置
  Create ML默认开启了早停（Early Stopping）来防止过拟合，但默认的触发条件可能太严格了。你可以在训练设置面板里找到相关选项：

  1. 尝试关闭Enable Early Stopping开关（如果有），强制模型跑完你设置的100次迭代；
  2. 要是不想完全关闭早停，可以调小「Minimum Validation Accuracy Improvement」的阈值（比如从默认的0.001改成0.0001），让模型对精度提升的容忍度更高；
  3. 部分版本的Create ML还支持设置「Patience」参数——这个参数控制模型连续多少次迭代没提升精度才触发早停，你可以把它调大（比如从5改成15），给模型更多迭代的机会。

• 调整模型复杂度与训练参数
  如果你的模型太简单，或者正则化太强，可能很快就拟合了原有数据，没法利用新增的图像：

  1. 换用更复杂的基础模型：比如图像分类任务里，把默认的MobileNetV2换成ResNet50，让模型有更多参数去学习新增数据的特征；
  2. 降低正则化强度：如果开启了Dropout或者Weight Decay，可以适当调小这些参数的值，减少对模型拟合能力的限制；
  3. 调低学习率：过高的学习率会让模型快速收敛到局部最优，你可以把学习率从默认的0.001调到0.0001，让模型能慢慢学习新增数据的细节。

• 检查验证集的合理性
  如果验证集太小或者和训练集过度相似，模型也会很快在验证集上达到高精度，触发早停：

  1. 调整验证集比例：比如把默认的20%验证集比例降到10%，让训练集占比更大；
  2. 使用自定义验证集：确保验证集的图像和训练集差异足够大，能真实反映模型的泛化能力，避免模型过早“摸透”验证集的规律。

你可以按这个顺序排查，先确认数据加载的问题，再调早停和模型参数，应该就能解决提前收敛的问题了。

内容的提问来源于stack exchange，提问作者Kaplan