Keras数据增强效果不佳：《Deep Learning with Keras》示例复现遇阻

我之前跟进这本书第3章的这个示例时，也遇到过完全一样的困扰！折腾了好几天才摸清楚几个关键问题点，分享给你参考：

1. 数据增强的细节遗漏 #

书中的代码片段大概率省略了核心参数，你可以自查这几点：

• 确认ImageDataGenerator的归一化逻辑和书中一致：比如是否用了rescale=1./255，或是有没有在预处理阶段单独做了0-1归一化？数据尺度不匹配的话，模型很容易出现训练混乱的情况。
• 数据增强的参数是否和书中对齐？比如书中可能用了rotation_range=15、width_shift_range=0.1这类温和的增强幅度，要是你不小心调得太激进（比如把旋转角度设成45），反而会让模型学习到无效噪声，直接导致训练中途准确率下滑。

2. 训练超参数的偏差 #

• batch_size与epochs设置：书中可能用了特定数值（比如batch_size=32、epochs=100），如果你的batch_size过大或者epochs不足，模型要么欠拟合要么过拟合。中途准确率下降很大概率是过拟合的信号——你有没有在模型里加**Dropout层**？书中的完整结构可能包含Dropout，但代码片段没写全，漏掉的话模型后期很容易过拟合，准确率反而下跌。
• 优化器与学习率：默认Adam的学习率0.001对CIFAR-10来说可能偏高，训练后期容易震荡导致准确率波动。可以试试把学习率调低到0.0005，或者加入ReduceLROnPlateau回调做学习率衰减，让模型在训练后期能更稳定收敛。

3. 模型结构的完整性问题 #

书中只给片段代码，很可能漏掉了关键层：

• 有没有在卷积层后添加**BatchNormalization层**？这个层对CIFAR-10的模型性能提升非常明显，很多时候书中只是提了一句但没写进代码片段里。
• 全连接层的设置是否正确？比如最后一层是不是10个神经元对应CIFAR-10的10分类？激活函数是不是用了softmax？这些细节出错的话，准确率肯定达不到预期。

4. 训练回调的缺失 #

你有没有用ModelCheckpoint保存训练过程中的最佳模型权重，或是用EarlyStopping提前终止过拟合的训练？有时候训练中途准确率下降，但最佳权重其实出现在更早的epoch，如果直接取最后一轮的权重，测试准确率自然会差很多。

我当时就是因为漏加了BatchNormalization，还把width_shift_range设得太大，导致训练到30多轮时准确率开始下滑，最终测试准确率只有0.6左右。后来调整这些参数，补上Dropout和学习率衰减，最终测试准确率稳定在0.77-0.79之间，和书中的结果吻合。

另外建议你把训练过程的准确率、损失曲线画出来，能更直观判断问题：如果训练准确率很高但测试准确率低，就是过拟合；如果两者都偏低，就是欠拟合；要是曲线波动剧烈，大概率是学习率的问题。

内容的提问来源于stack exchange，提问作者kawingkelvin