我之所以要特别地过度适应，是因为我正在遵循弗朗索瓦·肖莱的“Python深度学习”步骤来设计一个网络。这很重要，因为这是我学位的最后一个项目。
在这个阶段，我需要创建一个足够大的网络来过度拟合我的数据，以便确定一个最大容量，也就是我将要优化的网络大小的上限。
然而，正如标题所示，我正在努力让我的人际网络过度适应，也许我的方法很天真，但让我来解释一下我的模型：
我正在使用this dataset来训练一个对恒星进行分类的模型。一颗恒星必须按两个类进行分类（分为两个类）：光谱类（100类）和光度类（10类）。例如，我们的太阳是“G2 V”，它的光谱类是“G2”，它的光度类是“V”。
为此，我建立了一个双头网络，它需要这样的输入数据：DataFrame containing input data
然后它分裂成两个平行的网络。

# Create our input layer:
input = keras.Input(shape=(3), name='observation_data')

# Build our spectral class
s_class_branch = layers.Dense(100000, activation='relu', name = 's_class_branch_dense_1')(input)
s_class_branch = layers.Dense(500, activation='relu', name = 's_class_branch_dense_2')(s_class_branch)

# Spectral class prediction
s_class_prediction = layers.Dense(100, 
                                  activation='softmax', 
                                  name='s_class_prediction')(s_class_branch)

# Build our luminosity class
l_class_branch = layers.Dense(100000, activation='relu', name = 'l_class_branch_dense_1')(input)
l_class_branch = layers.Dense(500, activation='relu', name = 'l_class_branch_dense_2')(l_class_branch)

# Luminosity class prediction
l_class_prediction = layers.Dense(10, 
                                  activation='softmax', 
                                  name='l_class_prediction')(l_class_branch)

# Now we instantiate our model using the layer setup above
scaled_model = Model(input, [s_class_prediction, l_class_prediction])

optimizer = keras.optimizers.RMSprop(learning_rate=0.004)

scaled_model.compile(optimizer=optimizer,
              loss={'s_class_prediction':'categorical_crossentropy',
                    'l_class_prediction':'categorical_crossentropy'},
              metrics=['accuracy'])

logdir = os.path.join("logs", "2raw100k")
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)

scaled_model.fit(
    input_data,{
        's_class_prediction':spectral_targets,
        'l_class_prediction':luminosity_targets
        },
    epochs=20, 
    batch_size=1000,
    validation_split=0.0,
    callbacks=[tensorboard_callback])

在上面的代码中，你可以看到我尝试了一个在两个分支中都有两个隐藏层的模型，一个层的形状为100 000，然后进入另一个层的形状为500，然后进入输出层。训练目标是one-hot编码的，所以每个类都有一个节点。
我已经尝试了一个到四个隐藏层的大范围的大小，从500到100 000的形状，只是因为我用完了内存而停止。我只使用了密集层，除了尝试一个归一化层没有影响。
Graph of losses
他们都会愉快地训练，慢慢降低损失，但他们似乎从来没有过度适应。我已经运行了100个时代的网络，他们仍然不会过度适应。
我可以做些什么来使我的网络更好地适应数据？我对机器学习还很陌生，到现在才做了一年，所以我确信我错过了一些东西。我真的很感谢任何帮助，并很乐意提供图表中显示的日志。