对于某些背景，我的数据集大约有75000多个图像，200x200灰度，26个类（字母）。我的模型是：
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.2))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.2))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(26, activation='softmax'))
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=[tf.keras.metrics.CategoricalAccuracy()])
model.fit(X_train, y_train, epochs=1, batch_size=64, verbose=1, validation_data=(X_test, y_test))
model.fit的输出为：
Train on 54600 samples, validate on 23400 samples
Epoch 1/1
54600/54600 [==============================] - 54s 984us/step - loss: nan - categorical_accuracy: 0.9964 - val_loss: nan - val_categorical_accuracy: 0.9996
99.9+的验证精度。当我运行测试时，它会得到所有错误的预测。因此，我认为它过度拟合。尽管添加了辍学层，为什么会发生这种情况？我还需要解决什么其他方法？谢谢！
完全不是过度拟合，看看您的损失是否等于nan。这意味着您的梯度在训练过程中爆炸了。要查看实际情况，我建议您查看每次迷你批处理后的损失，并从什么时候开始减少损失。
如果您有数据泄漏，则使保持测试集上的所有预测不正确，同时获得几乎100％的验证准确性的唯一方法是。即您的训练数据必须包含与验证数据相同的图像（或者它们非常相似）。
或者测试集中的数据与训练和验证数据集有很大不同。
要解决此问题，请确保在所有数据集中，没有一个图像存在于多个数据集中。还要确保图像大致相似。也就是说，如果使用手机照片进行训练，请不要使用DSLR拍摄的图像或带有从Google提取水印的图像进行测试。
It is also odd that your loss is
nan. It may be due to using categorical accuracy. To fix this just put the metric to be 'accuracy'. This will dynamically determine the best accuracy to use. One of[binary, categorical or sparse_categorical].希望这可以帮助。