Tensorflow 为什么洗牌数据可以提供更高的准确性？

在Tensorflow中，我为2个图像类问题编写了一个大模型。我的问题与以下代码片段有关：

X, y, X_val, y_val = prepare_data()
probs = calc_probs(model, session, X)
accuracy = float(np.equal(np.argmax(probs, 1), np.argmax(y, 1)).sum()) / probs.shape[0]
loss = log_loss(y, probs)

X是一个np.shape数组：（25000244244,3）。该代码导致精度=0.5834（接近随机精度），损失=2.7106。但是 当我洗牌数据时，在第一行之后添加以下3行：

sample_idx = random.sample(range(0, X.shape[0]), 25000)
X = X[sample_idx]
y = y[sample_idx]

，结果变得方便：准确度=0.9933，损耗=0.0208。 为什么洗牌数据可以提供更高的准确性？或者是什么原因呢

函数calc_probs主要是一个运行调用：

probs = session.run(model.probs, feed_dict={model.X: X})

更新： 经过数小时的调试，我发现对单个图像进行评估会得到不同的结果。例如，如果多次运行以下代码行，每次都会得到不同的结果：

session.run(model.props, feed_dict={model.X: [X[20]])

我的数据通常是经过排序的，X首先包含1类样本，然后是2类样本。在calc_probs函数中，我按顺序使用每批数据运行。因此，在没有洗牌的情况下，每次运行都有一个类的数据。

---

我还注意到，使用随机洗牌，如果批量非常小，我会得到随机精度。

在随机Kaczmarz算法的上下文中，这是有数学依据的。常规Kaczmarz算法是一种古老的算法，可以看作是最小二乘问题上的非随机SGD，如果使用随机化，可以保证更快的收敛速度，请遵循

中的参考资料。谢谢，我知道这一点，我同意你的看法。但是我的模型已经训练过了，我在这里说的是用混合数据和非混合数据来评估它。对不起，如果问题不清楚的话。嗯，你的前进道具每次都会给出不同的结果？听起来有点奇怪，你用的是什么样的网络？我用的是InceptionV3。批量规范化有什么有趣的地方吗？