CNN 需要大量图像才能正确训练。拥有小型训练集时最常见的解决方法是使用预训练模型，该模型已在大型数据集（例如 ImageNet）上进行了训练。通过这个，你可以得到一个高效的模型，删除它的最后一层（用于分类）并保留所有之前的层（用于特征提取）。然后你添加你自己的最终层并且只训练它们。这使您可以用更少的参数训练模型（因为它们中的大多数已经被训练过），这可以在较小的数据集上完成。

您可以做的另一件事是数据增强。这通常包括仿射变换（旋转、平移、缩放、移位等）、翻转图像、亮度/对比度调整、噪声感应等。这样做的问题是强烈的增强可能会破坏图像。这限制了您使用的增强器的数量和强度。

话虽如此，就图像分类而言，可以将一个很小的数据集视为具有数百个样本的数据集。如果每个班级只有一张图像，我不确定您是否可以有效地训练 CNN 而不会过度拟合。我的建议是，如果可能，获取更多数据。