陈曦点点头，立刻打开电脑，搜索 “深度学习过拟合解决方法”。他快速浏览了多篇专业文献，结合自己的理解，总结出两个核心解决方案：“要解决过拟合问题，一是要优化数据处理，通过数据增强技术增加样本的多样性，同时均衡各等级样本的占比；二是要调整模型结构，加入正则化层，防止模型过度依赖训练数据的特征。”

本小章还未完，请点击下一页继续阅读后面精彩内容！

“我们先从数据处理入手，这是最直接有效的方法。” 林默做出决策，“陈曦负责研究数据增强技术，生成扩展样本；苏晚负责验证增强后样本的有效性，确保数据符合实际情况；小王负责调整样本分布，让各等级样本占比均衡；我负责统筹协调，跟踪优化进度。”

方案确定后，团队立刻投入工作。陈曦选择了三种常用的数据增强技术：图像旋转（0°、90°、180°、270°）、缩放（0.8 倍、1.0 倍、1.2 倍）、亮度调整（±10%、±20%）。他编写了一段 Python 脚本，对现有的 500 组样本图片进行处理，每组图片生成 2 组扩展样本，最终得到 1500 组样本数据。

“通过旋转、缩放和亮度调整，能让模型学习到不同角度、不同大小、不同光线条件下的样本特征，从而提升泛化能力。” 陈曦向团队解释道，“比如之前我们担心的光线变化问题，通过亮度调整生成的扩展样本，就能让模型提前适应这种变化，为后续的光线补偿算法打下基础。”

苏晚则仔细对比了原始样本和增强样本的数据差异。她随机抽取了 10 组增强样本，测量它们的湿度、气孔直径等关键数据，发现增强后的样本特征与原始样本基本一致，没有出现失真的情况。“数据增强后的样本仍然符合实际生产中的情况，不会影响模型的学习效果。” 苏晚向团队汇报了验证结果。

接下来是样本均衡化处理。小王将 1500 组样本按照发酵等级重新分类，通过随机筛选的方式，让每个等级的样本数量都保持在 300 组，占比均为 20%。“这样一来，模型在训练时就不会偏向任何一个等级的样本，能够均匀学习到所有等级的特征，尤其是临界样本的特征。” 小王说道。

为了进一步提升模型的泛化能力，陈曦还对样本集进行了重新划分：“我们将 1500 组样本分为训练集（1200 组，占 80%）和验证集（300 组，占 20%），其中验证集全部采用增强后的样本，而且确保验证集中各等级样本的分布与训练集一致。这样在训练过程中，模型就能不断通过验证集进行自我修正，避免过度依赖训练数据。”

一切准备就绪后，陈曦启动了第二轮模型训练。这次他还在模型中加入了 L2 正则化层，进一步防止过拟合。“正则化层能给模型的权重参数加上约束，避免某些参数过大，从而防止模型过度拟合训练数据的细节特征。” 陈曦解释道。

团队成员们没有离开车间，而是守在电脑旁，实时关注着训练进度。随着迭代次数的增加，训练集和验证集的识别准确率都在稳步提升，而且两者之间的差距越来越小 —— 这意味着过拟合问题正在得到缓解。

“你们看，训练到 50 次迭代时，训练集准确率 92%，验证集准确率 91%，差距只有 1%！” 李萌萌兴奋地喊道，“这比第一次训练时的差距小多了，说明数据增强和正则化起到了作用！”

苏晚则重点关注临界样本的识别情况。她从验证集中抽取了 50 组临界样本，跟踪模型的识别准确率。当训练进行到 80 次迭代时，临界样本的识别准确率已经从之前的 30% 提升到了 75%，有了质的飞跃。

“太好了！临界样本的识别精度提升很明显！” 苏晚激动地说道，“这说明我们的样本增强和均衡化处理是有效的，模型已经开始学会区分那些细微的临界差异了。”

林默看着屏幕上不断攀升的准确率曲线，心中十分欣慰：“这就是团队协作的力量！遇到问题不可怕，只要我们团结一心，积极寻找解决方案，就没有克服不了的困难。”

6 小时后，第二轮模型训练结束。最终结果显示：训练集识别准确率 94%，验证集识别准确率 93%，两者差距仅 1%，过拟合问题得到了有效解决。

“现在我们用之前的 20 组测试样本再验证一次！” 小王迫不及待地说道。