Neural network 我把CNN频道的数量从7个增加到了8个，但是结果变差了，为什么？

我的输入图像有8个通道，我的输出（标签）有1个通道，我在keras中的CNN如下所示：

def set_model(ks1=5, ks2=5, nf1=64, nf2=1):
    model = Sequential()
    model.add(Conv2D(nf1, padding="same", kernel_size=(ks1, ks1), 
                     activation='relu', input_shape=(62, 62, 8)))
    model.add(Conv2D(nf2, padding="same", kernel_size=(ks2, ks2), 
                                              activation='relu'))
    model.compile(loss=keras.losses.binary_crossentropy,
                  optimizer=keras.optimizers.Adadelta())
    return model

以下是上述实施模式的总结：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 62, 62, 64)        12864     
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 62, 62, 1)         1601      
=================================================================
Total params: 14,465
Trainable params: 14,465
Non-trainable params: 0
_________________________________________________________________

通过另一个问题，我在这里问（）我确信每个通道都有自己的权重集。现在，我的问题是，为什么当我添加另一个通道并将其增加7到8时，结果会恶化

7通道预测精度指标：

8通道预测精度指标：

我还将所有8个通道标准化为0到1之间的值

其中一个预测有7个通道：

其中一个预测有8个通道：

---

这些图是如何生成的，它们的含义是什么？@MatiasValdenegro，PAI是预测准确度指数，即k个顶级位置的事件数与事件总数的乘积乘以k个位置区域的总面积：（n/n）*（A/A）。x轴是考虑的位置数。该PAI在ML中并不常用，我认为您必须提供更好的解释或使用不同的度量（为什么不只是精度或损失？）。这些图的X轴上是什么？此外，为什么结果会恶化可能不是一个编程问题。@MatiasValdenegro，在我试验模型并进行预测之后，我将预测与基本事实进行比较，以计算PAI。所以你的意思是PAI可能会恶化，而不是损失函数本身？@MatiasValdenegro，我在问题中添加了更多的照片。谢谢