Scikit learn 使用caffe模拟sklearn中的SGDClassizer或LogisticReturnal线性模型_Scikit Learn_Logistic Regression_Caffe

Scikit learn 使用caffe模拟sklearn中的SGDClassizer或LogisticReturnal线性模型

scikit-learn

Scikit learn 使用caffe模拟sklearn中的SGDClassizer或LogisticReturnal线性模型,scikit-learn,logistic-regression,caffe,Scikit Learn,Logistic Regression,Caffe,我试图用caffe模拟sklearn中的SGDClassizer和LogisticReturnal线性模型。众所周知，在caffe中，一个“InnerProduct”层加上一个“Softmaxwithloss”层表示逻辑回归Y=Logit（WX+b）我现在使用sklearn数据集包中的digits数据集作为测试集（所有数据标签对的5/6）和测试集（其余的1/6）。然而，通过SGDclassifer（）或LogisticRegression（）获得的准确率可以达到近90%，而通过训练后的两层神经

我试图用caffe模拟sklearn中的SGDClassizer和LogisticReturnal线性模型。众所周知，在caffe中，一个“InnerProduct”层加上一个“Softmaxwithloss”层表示逻辑回归

Y=Logit（WX+b）

我现在使用sklearn数据集包中的digits数据集作为测试集（所有数据标签对的5/6）和测试集（其余的1/6）。然而，通过

SGDclassifer（）

或

LogisticRegression（）

获得的准确率可以达到近90%，而通过训练后的两层神经网络获得的准确率不能超过30%。这是因为参数设置还是其他原因？他们之间的差距太大了