Question

我正在关注“Deep MNIST for Experts”教程，https://www.tensorflow.org/versions/r0.11/tutorials/mnist/pros/index.html#deep-mnist-for-experts

使用卷积神经网络，我得到93.49％的准确度。这实际上很低，我正在努力改进它，但我有一个疑问。根据教程，

for i in range(20000):
   batch = mnist.train.next_batch(50)
   if i%100 == 0:
       train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})
       print("step %d, training accuracy %g"%(i, train_accuracy))
   train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

每100次迭代后记录列车精度并查看准确度，它会像增加然后减少一样振荡。

step 100, training accuracy 0.1
step 200, training accuracy 0.13
step 300, training accuracy 0.12
step 400, training accuracy 0.08
step 500, training accuracy 0.12
step 600, training accuracy 0.05
step 700, training accuracy 0.09
step 800, training accuracy 0.1
step 900, training accuracy 0.12
step 1000, training accuracy 0.09
step 1100, training accuracy 0.11
step 1200, training accuracy 0.09
step 1300, training accuracy 0.11
step 1400, training accuracy 0.06
step 1500, training accuracy 0.09
step 1600, training accuracy 0.14
step 1700, training accuracy 0.07
step 1800, training accuracy 0.08
......
step 19800, training accuracy 0.14
step 19900, training accuracy 0.07

有什么理由吗？还是正常的？那为什么呢？另外，我可以改变什么样的变量来提高最终的准确性？我已经尝试过更改学习率变量了。

Answer 1

振荡精度通常由learning_rate太高引起。我的第一个提示确实是降低learning_rate，你是否以对数刻度测试多个学习率，例如0.1,0.05,0.02,0.01,0.005,0.002，...？

大幅度使用较小的学习率应该消除振荡的准确性。同时在Kaggle和this answer上查看linked document以更好地理解。

修改

根据评论中的注释：每批次测量此准确度。由于您每次都在比较不同批次的精度（一个简单的批次与一个更难的批次），因此您的准确性没有单调增加是正常的。您可以进一步减少振荡：

通过增加批量大小，波动应该减少：不同示例难度的影响将被平均。

您还可以通过一组常量示例计算训练准确度：

使用验证集

平均一个时期内所有批次的批次准确度

在每个训练步骤之后，实际上计算训练集中对所有示例的准确性。如果您有大量的训练集，这个过程对训练时间有很大的影响。

用于MNIST手写数字的Tensor Flow的CNN训练的振荡精度

1 个答案: