vgg19训练图像分类，分成两类，这样训练出来的网络是否过拟合了？

每类对象1980个，尺寸64*64，批量20，学习率0.001，训练次数4740，

训练准确度99.4%，而在测试集上准确度下降到97.1%；

1k5左右就差不多了，过拟合的话不一定，要看下有没有防止过拟合的手段，如果你的项目是开源项目的话，一般会有这方面的限制的。

你好，首先回答你的问题：确实过拟合了！

问题分析：

（1）从你的实验结果来分析。训练集上准确度是99.4%，测试集上准确度是97.1%，很明显精度降低了不少，这是过拟合最明显的征兆。

（2）猫狗分类问题是一个很简单的图图像二分类问题，而VGG19采用了16个卷积层、3个全连接层，这会造成训练参数冗余，用这种大网络去处理小问题很容易造成过拟合。

解决方案：

（1）调整网路，选用更轻便的VGG13或者VGG16。当然，也可以选择使用层数更低的AlexNet来尝试。

（2）增加Dropout，随机断开神经网络之间的连接，减少每次训练时实际参与计算的模型的参数量，从而减少了模型的实际容量，来防止过拟合。

（3）增加正则化，这是通过在损失函数上添加额外的参数稀疏性惩罚项（正则项），来限制网络的稀疏性，以此约束网络的实际容量，从而防止模型出现过拟合。

（4）数据增强，即增加训练样本，这也是解决过拟合最直接的一种方式。

以上的解决方案，可以具体参考我之前的博客专栏：https://blog.csdn.net/wjinjie/category_9766908.html

最后，答题不易，如果觉得我的回答对你有帮助，那就请给个采纳吧～

感觉还好呀。

可以减少一下训练次数，或者调整一下其它参数看看测试集的准确率会不会有提升了。