Tensorflow 深度学习中AlexNet图像识别的奇数结果

我正在使用tensorflow教程中提供的修改过的AlexNet（cifar-10-model）对一些机械零件图像进行图像识别，但得到的结果非常直观

训练准确率很快将达到100%。但是测试的准确率开始高达45%，很快下降到9%

我正在对20000张图片的训练集和2500张8类图片的测试集进行测试。我以1024的批量进行培训和测试

准确度和训练损失如下所示，您可以看到：

测试精度从高达45%开始，这是没有意义的

机械图像始终分类为“左括号”

---

您的测试精度正在下降，我认为这是由于过度拟合造成的。尝试使用更简单的模型或正则化方法来调整模型。

您可能需要检查数据或特征提取是否存在错误。我对3-标签进行了蛋白质结构预测，但我使用了错误的提取方法。我的验证准确率也从45%开始，然后迅速下降

知道我的错误在哪里，我从零开始：现在我为8-标签做蛋白质结构预测。第一个历元的准确率为60%，能够稳定地上升到64.9%（目前CB513的Q8世界记录为68.9%）

---

所以验证准确率从45%开始不是问题，但快速下降才是问题。恐怕您的数据/提取中存在错误，而不仅仅是过度拟合。

测试中的“批处理”是什么意思？您是否有关于分类结果的第三张图片？我按1024的批大小向模型提供了图像。：）谢谢。我已经更新了照片。我想展示分类结果。在训练和测试集中，类的分布是什么？另外，您第一次测试精度是什么时候？在第一次评估测试数据之前是否进行过培训？我想是的。但是你可以看到，测试的准确度从45%开始。由于我们的培训数据分为8类，因此如此高的测试精度没有意义。：）谢谢。