Tensorflow 为什么我的损失和准确性似乎是无关的？

我有一个用于预测CIFAR10类的CNN，这是我根据MNIST数据集的工作解决方案改编的

该模型是image->conv->pool->conv->pool->FC->dropout->FC->class_prediction，我认为它比完全连接的网络（我在进行测试时实现了约50%）要好得多

我收到了一些奇怪的结果，其中的准确性和损失似乎并没有真正联系起来：

如图所示，损失持续下降，这是一件好事，但它似乎并没有真正影响准确性，即使是在训练集上

很抱歉把这些都放在这里，但下面我已经提取了所有我认为相关的代码。因此，请让我知道，如果我可以添加任何进一步的信息

with tf.name_scope('Model'):
    # Construct model
    pred = conv_net(x, weights, biases, keep_prob)

with tf.name_scope('Loss'):
    # Define loss function and optimizer
    net = tf.nn.softmax_cross_entropy_with_logits(pred, y_true, name='Softmax_Loss')
    cost = tf.reduce_mean(net)

with tf.name_scope('Adam_Descent'):
    optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate, name='Adam_Descent').minimize(cost)   

# Evaluate the model
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y_true, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

#
# Code omitted
#

with tf.Session() as sess:
    sess.run(init)

    step = 1
    # Train for a while
    while step * batch_size < training_iters:

        batch_x, batch_y = get_rand_train_batch(batch_size, 10000)

        # Run optimization        
        _, summary = sess.run([optimizer, merged_summary_op], feed_dict={x: batch_x, 
                                                                         y_true: batch_y, 
                                                                         keep_prob: 0.75})
        if step * index % display_step == 0:
            # Calculate loss and accuracy
            loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x, 
                                                              y_true: batch_y, 
                                                              keep_prob: 1})
            print_blue("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
                  "{:.6f}".format(loss) + ", Training Accuracy= " + \
                  "{:2.3f}%".format(acc*100))
        summary_writer.add_summary(summary, step * batch_size)
        step += 1

    # Calculate test accuracy
    print("\nTesting Accuracy:", \
    sess.run(accuracy, feed_dict={x: X_test[:1000],
                                  y_true: y_test[:1000],
                                  keep_prob: 1.}))

带有tf.name\u范围（'Model'）的

：
#构造模型
pred=转换网络（x、权重、偏差、保持概率）
使用tf.name\u范围（“损失”）：
#定义损失函数和优化器
net=tf.nn.softmax\u cross\u entropy\u与logits（pred，y\u true，name='softmax\u Loss'）
成本=tf.减少平均值（净额）
使用tf.name_scope（'Adam_Descent'）：
优化器=tf.train.AdamOptimizer（学习率=学习率，name='Adam\u下降'）。最小化（成本）
#评估模型
正确的pred=tf.equal（tf.argmax（pred，1），tf.argmax（y\u true，1））
准确度=tf.reduce_平均值（tf.cast（correct_pred，tf.float32））
#
#代码省略
#
使用tf.Session（）作为sess：
sess.run（初始化）
步骤=1
#训练一段时间
步骤*批量大小<培训内容：
批次x、批次y=获取批次（批次大小，10000）
#运行优化
_，summary=sess.run（[optimizer，merged_summary_op]，feed_dict={x:batch_x，
y_真：批次y，
保持（概率：0.75}）
如果步骤*索引%display\u步骤==0：
#计算损失和准确度
损耗，acc=sess.run（[成本，精度]，进料量={x:batch\u x，
y_真：批次y，
保持_prob:1}）
打印蓝色（“Iter”+str（步进*批量大小）+”，小批量损耗=“+\
“{.6f}”。格式（丢失）+”，训练精度=“+\
“{:2.3f}%.”格式（acc*100））
摘要编写器。添加摘要（摘要、步骤*批量大小）
步骤+=1
#计算测试精度
打印（“\n测试精度：”\
sess.run（精度，进给量={x:x\u测试[：1000]，
y_true:y_测试[：1000]，
保持（问题：1.}）

可能是安装过度了。你试过交叉验证吗？你能给我们发一张重新缩放的损失图吗？比如日志错误或损失历史记录，因为错误不大于10？这个比例使你的图表很难解释。也许它太过拟合了。你试过交叉验证吗？你能给我们发一张重新缩放的损失图吗？比如日志错误或损失历史记录，因为错误不大于10？这种比例使图形难以解释。