在tensorflow中编写以下CNN

我对这门深奥的学问还不熟悉。我通过阅读和尝试实现一个真正的网络来了解它如何/是否真正起作用，从而学到了一些基本知识。我选择了数字Tensorflow和以下网络，因为它们给出了训练装备的精确体系结构。 我通过查看数字和Tensorflow文档中的现有网络，为DL隐写分析中的体系结构编写了以下代码

    from model import Tower
from utils import model_property
import tensorflow as tf
import tensorflow.contrib.slim as slim
import utils as digits

class UserModel(Tower):

    @model_property
    def inference(self):
        x = tf.reshape(self.x, shape=[-1, self.input_shape[0], self.input_shape[1], self.input_shape[2]])
        with slim.arg_scope([slim.conv2d, slim.fully_connected],
                            weights_initializer=tf.contrib.layers.xavier_initializer(),
                            weights_regularizer=slim.l2_regularizer(0.0001)):
            conv1 = tf.layers.conv2d(inputs=x, filters=64, kernel_size=7, padding='same', strides=2, activation=tf.nn.relu)
            rnorm1 = tf.nn.local_response_normalization(input=conv1)
            conv2 = tf.layers.conv2d(inputs=rnorm1, filters=16, kernel_size=5, padding='same', strides=1, activation=tf.nn.relu)
            rnorm2 = tf.nn.local_response_normalization(input=conv2) 
            flatten = tf.contrib.layers.flatten(rnorm2)
            fc1 = tf.contrib.layers.fully_connected(inputs=flatten, num_outputs=1000, activation_fn=tf.nn.relu)
            fc2 = tf.contrib.layers.fully_connected(inputs=fc1, num_outputs=1000, activation_fn=tf.nn.relu)
            fc3 = tf.contrib.layers.fully_connected(inputs=fc2, num_outputs=2)
            sm = tf.nn.softmax(fc3)
            return fc3

    @model_property
    def loss(self):
        model = self.inference
        loss = digits.classification_loss(model, self.y)
        accuracy = digits.classification_accuracy(model, self.y)
        self.summaries.append(tf.summary.scalar(accuracy.op.name, accuracy))
        return loss

我试过运行它，但精确度很低。有人能告诉我我是否做得完全错误，或者它有什么问题，并告诉我如何正确地编码它吗

更新：谢谢你！通过您提到的修复，我得到了以下代码：

from model import Tower
from utils import model_property
import tensorflow as tf
import tensorflow.contrib.slim as slim
import utils as digits

class UserModel(Tower):

    @model_property
    def inference(self):
        x = tf.reshape(self.x, shape=[-1, self.input_shape[0], self.input_shape[1], self.input_shape[2]])
        with slim.arg_scope([slim.conv2d, slim.fully_connected],
                            weights_initializer=tf.contrib.layers.xavier_initializer(),
                            weights_regularizer=slim.l2_regularizer(0.00001)):
            conv1 = tf.layers.conv2d(inputs=x, filters=64, kernel_size=7, padding='Valid', strides=2, activation=tf.nn.relu)
            rnorm1 = tf.nn.local_response_normalization(input=conv1)
            conv2 = tf.layers.conv2d(inputs=rnorm1, filters=16, kernel_size=5, padding='Valid', strides=1, activation=tf.nn.relu)
            rnorm2 = tf.nn.local_response_normalization(input=conv2) 
            flatten = tf.contrib.layers.flatten(rnorm2)
            fc1 = tf.contrib.layers.fully_connected(inputs=flatten, num_outputs=1000, activation_fn=tf.nn.relu)
            fc2 = tf.contrib.layers.fully_connected(inputs=fc1, num_outputs=1000, activation_fn=tf.nn.relu)
            fc3 = tf.contrib.layers.fully_connected(inputs=fc2, num_outputs=2, activation_fn=None)
            return fc3

    @model_property
    def loss(self):
        model = self.inference
        loss = digits.classification_loss(model, self.y)
        accuracy = digits.classification_accuracy(model, self.y)
        self.summaries.append(tf.summary.scalar(accuracy.op.name, accuracy))
        return loss

解算器类型为SGD。学习率为0.001。我正在整理培训数据。我已经将每个类别的培训数据增加到6000 3000个，其中20%保留用于验证。我从下载了培训数据。但我只得到下面的图表。我觉得这太合适了。您对提高验证准确性有何建议

在NVIDIA数字中，分类丢失，正如tensorflow所期望的那样，输入一层线性神经元

相反，您将作为输入sm=tf.nn.softmaxfc3传递，因此您将应用softmax操作2次，这就是您精度低的原因

为了解决这个问题，只需将模型输出层更改为

fc3 = slim.fully_connected(fc2, 2, activation_fn=None, scope='fc3')
return fc3

---

你能把数字、分类、丢失和数字的代码贴出来吗？上面是我完整的网络。数字。分类\丢失和数字。分类\准确性本身不是数字的一部分吗？我通过上面的网络查看了Nvidia Digits上已经存在的LeNet和AlexNet。好的，这是Nvidia Digits。我给你答案谢谢！我按照你提到的方式编辑了代码。你能看一下编辑过的问题吗？你应该打开另一个问题，并将其标记为已解决。但是，如果这是过度拟合，则必须向模型添加一些正则化。您可以对权重和/或批次标准化使用dropout和/或L2正则化。。。