MNIST 数据集上可变图像输入分辨率的问题（使用 CNN 时）
Issue with variable image input resolution on MNIST dataset (while using CNN)
我对CNN有点陌生，所以请尽可能纠正我！
我一直在尝试使用 MNIST 数据集进行数字分类。我决定更进一步，将我自己的手写数字传递给模型的预测方法。我知道 MaxPooling2D 层只允许固定输入分辨率，所以经过一番研究，我使用了 GlobalMaxPooling2D。这解决了可变输入图像分辨率的问题。我现在面临的问题是，预测方法准确预测了 MNIST 数据集的测试集中的图像，但无法预测我自己的手写数字。
这是我的模特：
model=Sequential()
model.add(Conv2D(128,(5,5),input_shape=(None,None,1), data_format='channels_last'))
model.add(Dense(80, activation='relu'))
model.add(GlobalMaxPooling2D())
model.add(BatchNormalization())
model.add(Dense(10,activation='softmax'))
该模型给出的训练准确率为 94.98%，测试准确率为 94.52%。为了预测我自己的手写数字，我使用了分辨率为 200x200 的图像。该模型以某种方式可以预测特定数字，如 8、6 和 1，但当我测试任何其他数字时，它仍将其分类为 8、6 或 1。
谁能指出我哪里出错了？
感谢您的帮助！
有几件事可以促成您在这里看到的内容。优化过程不好，优化模型的方式会直接影响模型的性能。优化器的正确选择、学习率、学习率衰减机制、适当的正则化，仅举几例。除此之外，您的网络非常简单且设计非常糟糕。您没有足够的 Conv 层来利用图像结构并提供可用于执行您要求它执行的操作的良好抽象。你的模型也不够深
MNIST 本身是一项非常简单的任务，使用线性分类器你可以达到你所达到的准确度，甚至可能更好。这表明您没有以任何好的方式利用 CNN 或深层架构功能。如果经过适当的训练，即使是一个简单的一两个完全连接的层也应该为您提供更好的准确性。
尝试让你的网络更深，使用更多的 CNN 层，然后是 BatchNormalization，然后是 ReLU，并避免快速下采样输入特征图。当你下采样时，你会丢失信息，为了弥补这一点，你通常希望增加下一层的过滤器来补偿由此导致的表示能力下降。换句话说，尝试逐渐减小特征图的尺寸，同时增加神经元数量。
一开始大量的神经元对你来说是浪费use-case，32/64 可能绰绰有余，随着网络越来越深，更多的抽象特征建立在更原始的特征之上较早的层，所以在较晚的层有更多的神经元通常更合理。
早期层负责创建原始过滤器，在某个时间点之后，更多的过滤器对性能没有帮助，它只会创建重复的工作，而这些工作已经由以前的过滤器完成。
您看到准确度差异的原因仅仅是因为您最终进入了另一个局部最小值！使用相同的精确配置，如果你训练 100 次，你将得到 100 个不同的结果，一些比其他的好，一些比其他的差，从来没有相同的精确值，除非你通过使用特定的种子来使用确定性行为并且仅 运行 在 cpu 模式下。
我对CNN有点陌生，所以请尽可能纠正我！
我一直在尝试使用 MNIST 数据集进行数字分类。我决定更进一步，将我自己的手写数字传递给模型的预测方法。我知道 MaxPooling2D 层只允许固定输入分辨率，所以经过一番研究，我使用了 GlobalMaxPooling2D。这解决了可变输入图像分辨率的问题。我现在面临的问题是，预测方法准确预测了 MNIST 数据集的测试集中的图像，但无法预测我自己的手写数字。 这是我的模特：
model=Sequential()
model.add(Conv2D(128,(5,5),input_shape=(None,None,1), data_format='channels_last'))
model.add(Dense(80, activation='relu'))
model.add(GlobalMaxPooling2D())
model.add(BatchNormalization())
model.add(Dense(10,activation='softmax'))
该模型给出的训练准确率为 94.98%，测试准确率为 94.52%。为了预测我自己的手写数字，我使用了分辨率为 200x200 的图像。该模型以某种方式可以预测特定数字，如 8、6 和 1，但当我测试任何其他数字时，它仍将其分类为 8、6 或 1。 谁能指出我哪里出错了？ 感谢您的帮助！
有几件事可以促成您在这里看到的内容。优化过程不好，优化模型的方式会直接影响模型的性能。优化器的正确选择、学习率、学习率衰减机制、适当的正则化，仅举几例。除此之外，您的网络非常简单且设计非常糟糕。您没有足够的 Conv 层来利用图像结构并提供可用于执行您要求它执行的操作的良好抽象。你的模型也不够深
MNIST 本身是一项非常简单的任务，使用线性分类器你可以达到你所达到的准确度，甚至可能更好。这表明您没有以任何好的方式利用 CNN 或深层架构功能。如果经过适当的训练，即使是一个简单的一两个完全连接的层也应该为您提供更好的准确性。
尝试让你的网络更深，使用更多的 CNN 层，然后是 BatchNormalization，然后是 ReLU，并避免快速下采样输入特征图。当你下采样时，你会丢失信息，为了弥补这一点，你通常希望增加下一层的过滤器来补偿由此导致的表示能力下降。换句话说，尝试逐渐减小特征图的尺寸，同时增加神经元数量。
一开始大量的神经元对你来说是浪费use-case，32/64 可能绰绰有余，随着网络越来越深，更多的抽象特征建立在更原始的特征之上较早的层，所以在较晚的层有更多的神经元通常更合理。
早期层负责创建原始过滤器，在某个时间点之后，更多的过滤器对性能没有帮助，它只会创建重复的工作，而这些工作已经由以前的过滤器完成。
您看到准确度差异的原因仅仅是因为您最终进入了另一个局部最小值！使用相同的精确配置，如果你训练 100 次，你将得到 100 个不同的结果，一些比其他的好，一些比其他的差，从来没有相同的精确值，除非你通过使用特定的种子来使用确定性行为并且仅 运行 在 cpu 模式下。