神经网络（CNN）的解释结果/准确性

Question

我对这个主题感兴趣，并建立一个基于谷歌张量流的卷积神经网络。我想分类属于10个类别的图片的测试数据集。我的CNN设置与tensorflow教程对齐，并进行一些修改以符合我的图像大小。 我在500个图像的随机样本上反复运行trainig步骤20次，然后在500个不同样本上重复该步骤50次。我使用了200个样本作为验证数据集（保持所有运行都固定） 。结果我得到了大约35％的准确度，这在我看来并不坏，因为我没有做任何优化，并且图像很难分配给人类的单个类别evan。

因此，这里是我的问题：

• 是否真的有意义运行20次在同一批次的一步？ （我之所以这么做，是因为它适合内存，加载新批处理需要相当长的一段时间 - 所以我可以在更短的时间内获得更多的运行）
• 在训练精度图中（见下文），在某个点围绕步骤120-130。从那里开始，相同随机批次的每20次运行的准确度就接近100％。这种跳跃在网络结构/学习方面意味着什么？

Answer 1

你的尖峰可能是由于网络过拟合您所一再显示它的批次，而不是真正学习的东西，一般是有用的。这也回答你的第一个问题 - 在这种情况下，这是没有意义的。