Neural network 为什么添加更多层会使我的中立网络变得更糟？

我有点困惑。。。我首先从以下几点开始：

model = Sequential()    # (32, 32, 3)
model.add(Conv2D(4, (3, 3), activation='relu', input_shape=input_shape))
model.add(Conv2D(8, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Flatten())
model.add(Dense(16, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(2, activation='softmax'))

还有另外两个型号，型号2中有一个额外的

Conv2D、Conv2D、MaxPool、Dropout

块，型号2中有16个和32个conv过滤器；型号3中有两个额外的块，有16个、32个、64个、128个conv过滤器。 我得到的最大准确率分别为75%，78%，82%

然后，我将第一个模型中Conv2D中的过滤器数量更改为16和32，将平面层中的节点数量更改为300，并获得97%的精度。 然而，改变模型2和模型3，本质上与模型1相同，但有更多的层，并没有提高精度，实际上使它更糟。。。我在额外的Conv层中尝试了不同数量的过滤器，在平面层中尝试了不同数量的节点，从300到1500，但似乎没有什么不同。不管怎样，第一个模型，层数最少，似乎做得最好

---

为什么会这样？

搜索空间越大，需要了解的参数越多。因此，学习者将花费更多的时间来学习和面对更多的局部最优解、鞍点、高原等@phoxis，好吧，但是，如果迭代次数越多，层数越多的模型整体性能会更好吗？在第一次运行中，我对所有三个都做了40次，并且获得了这些精度，而在更改第一个模型后，因为它做得很好，速度很快，我只做了10次。那么，他们是否只是学习较慢，但最终会做得更好？还是不是真的？>>您需要使用一个验证集（或交叉验证），我假设您正在使用它来获得估计的准确性。没有必要让更多的层获得更好的结果。如果模型很复杂，那么它将倾向于过度拟合，因此测试集或新数据的结果很差。此外，增加数据点的数量会有所帮助，迭代次数也会有所增加。在保持其他一切不变的情况下，更大的网络具有更多的功能，但这也可能是一件坏事（通常不仅需要更多的时间，还需要更多的数据）。网络的能力越强（先验假设越少），通常越容易过度拟合。@sascha，哦，好的，是的，越复杂的模型越容易过度拟合是有意义的。