Python 在tensorflow中，训练和测试显示了不同的结果

现在我在tensorflow中面临一个问题： 我有一个由6个卷积层组成的网络，每个卷积层都带有批量标准化，最后一个卷积层后面是一个平均池，以生成输出形状Nx1x1xC，目的是将一幅图像分类为一个类别。训练期间一切正常： -培训样本约15万份 -培训期间的验证样本约为12000个

我总共训练了50000次迭代，最小批量为6次。 -在训练过程中，训练损失总是从开始时的2.6左右降低到迭代50000时的0.3左右， -在大约40000次迭代之后，验证精度变得更高和饱和，从开始时的60%到50000次迭代时的72%

但当我在相同的验证样本上使用迭代50000的学习权重进行测试时，总体准确率只有40%左右。我在谷歌上搜索过是否有人遇到过类似的问题。一些人说，移动平均值在批量标准化中的衰减可能是原因

tf.contrib.layers.batch_norm中的默认衰减为0.999。然后我用0.9，0.99，0.999的衰减率进行训练。试验期间验证样品的OA结果分别为70%、30%、39%。虽然0.9的衰减效果最好，但在训练期间的验证中仍低于OA

我写信是想问是否有人有类似的问题，你知道原因是什么吗

---

最美好的祝愿，

我有两个建议：

如果您没有使用bool-isTraining并将其传递给批处理规范化层，请这样做！这应该是一个占位符，并在培训中的每个会话之前设置，它将设置为true，在测试/验证中设置为false。 检查在测试/验证期间，您是否没有对tet/验证数据集进行无序化处理，在数据批的某些导入/管理中可能存在某种类型的无序化=True。 第一个是关键，第二个不应该有太大的区别，但它确保每次都有精确的数值。

---

我的猜测是，由于某种原因，您正在执行的两个图是不同的。导致差异的另一个原因是辍学：你们在培训评估中使用辍学吗？试着找出一个两种预测不同的例子，并深入挖掘，看看到底发生了什么。激活是否相同？我检查的两个图是相同的，我不使用dropout。还是非常感谢你的建议！第2点：测试/验证期间的数据集未被洗牌