CNN在我的数据集上做得不好

Question

我想将no中的卷积函数应用于我自己的数据集。但是CNN不能很好地处理我的数据集，我也找不到原因。下面，我将详细描述我的数据集，有人能帮我吗？非常感谢！在

数据集： 我的目标是使用CNN将我的图像（其大小为28*28=784）分为0和1两种类型。 我的原始数据是csv文件数据x.csv以及数据.csv. 在数据x.csv，每行存储每个图像的每个像素的灰度值数据.csv，每行是每个图像的标签。 数据x.csv（1000行，784列）

在数据.csv（1000行）

0;1;1;0;1;0;1;1;1;0;1....

基于以上csv数据，我构建了我的数据集（'我的数据集.pkl.gz'）的方法如下：

^{pr2}$

在构建了数据集之后，我在卷积中使用它_mlp.py，通过替换mnist.pkl.gz版. 在我的数据集中，训练、验证和测试数据集中分别有1000个示例、500个示例和500个示例。所以在卷积中_mlp.py，我将批处理大小设置为500。然后在训练、验证和测试数据集中分别有2个小批次、1个小批次和1个小批次。我也让n峎出来是2。然后运行代码，打印出每个历元的训练误差。结果如下：

不管它运行了多少个时期，验证错误永远不会改变。事实上，我已经将学习率从0.1、0.01、0.001……改变了，但结果始终没有改变。 我想知道为什么会这样，有人能帮我吗？非常感谢你！在

Answer 1

看起来你的培训、验证和测试数据集是完全不同的。我的意思是，你的数据集可能是根据一些特征值或输出进行排序的，这样训练集和验证集没有共同的特性。这种情况的一个例子是，对于MNIST数据分区，在训练集中只有0-3的值，在验证集中只有4-6个值，在测试集中只有7-9个值。在

如果您读取所有三个数据集，随机地对它们进行洗牌，然后将它们拆分为三个集，则效果会更好。一般来说，人们使用7:2:1或8:1:1的比例来测试大小、验证大小和测试大小。这种分割后的模型学习效果会更好，精度也会提高。在

另外，我建议您使用较小的小批量，可能是32或64。这将导致每一个历元精度的提高。我希望有帮助。在