为什么规范化 MNIST 图像会降低准确性？

Question

我正在使用基本神经网络来训练和测试 MNIST 数据集的准确性。

系统：i5 8th Gen，GPU - Nvidia 1050Ti

这是我的代码：

from __future__ import print_function,absolute_import,unicode_literals,division
import tensorflow as tf

mnist = tf.keras.datasets.mnist

(x_train,y_train) , (x_test,y_test) = mnist.load_data()
#x_train , y_train = x_train/255.0 , y_train/255.0

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28,28)),
tf.keras.layers.Dense(312,activation='relu'),
tf.keras.layers.Dropout(0.3),
tf.keras.layers.Dense(10,activation='softmax')
])

model.compile(
optimizer='Adamax',
loss="sparse_categorical_crossentropy",
metrics=['accuracy']
)
model.fit(x_train,y_train,epochs=5)
model.evaluate(x_test,y_test)

当我像第 5 行那样对图像进行归一化时，准确度急剧下降：

loss: 10392.0626 - accuracy: 0.0980

然而，当我不对它们进行标准化时，它给出了：

- loss: 0.2409 - accuracy: 0.9420

一般来说，归一化数据有助于梯度下降更快地收敛。为什么会有如此巨大的差异？我错过了什么？

Answer 1

您需要对训练集和测试集进行相同的归一化。如果您使用预训练网络，您应该进行与训练者相同的归一化；这里你缺少规范化测试集。

x_train = x_train/255.0
x_test = x_test/255.0

不客气。

Answer 2

使用这个：

(x_train, y_train) , (x_test,y_test) = mnist.load_data()
x_train , x_test = x_train/255.0 , x_test/255.0

您将标签除以 255，因此您没有正确规范化。

为什么规范化 MNIST 图像会降低准确性？

Why does normalizing MNIST images reduce accuracy?

python

neural-network

mnist

deep-learning

tensorflow