我正在从SVHN（街景房号数据集，斯坦福）拍摄图像，我可以真正使用一些帮助来弄清楚为什么我的准确度不会增加超过19％......这本质上是一个MNIST教程，图像更加困难（其他数字可能偏离中心，模糊，阴影等 . ）
我基本上拍摄每张图像并减去该图像的均值然后我归一化为0-1（除以255） .
管道很简单：
-
2卷积2d层（32个滤镜，3x3）
-
MaxPool（2x2）
-
辍学（.25）
-
2卷积2d层（64个滤镜，3x3）
-
最大池（2x2）
-
辍学（.25）
-
展平
-
密集的Relu
-
辍学（.5）
-
密集Softmax（10）
1792/73257 [..............................] - ETA: 3:17 - loss: 2.3241 - acc: 0.1602
1920/73257 [..............................] - ETA: 3:16 - loss: 2.3203 - acc: 0.1625
2048/73257 [..............................] - ETA: 3:14 - loss: 2.3177 - acc: 0.1621
2176/73257 [..............................] - ETA: 3:13 - loss: 2.3104 - acc: 0.1682
...
...
...
53376/73257 [====================>.........] - ETA: 51s - loss: 2.2439 - acc: 0.1879
53504/73257 [====================>.........] - ETA: 51s - loss: 2.2439 - acc: 0.1879
53632/73257 [====================>.........] - ETA: 50s - loss: 2.2439 - acc: 0.1878
53760/73257 [=====================>........] - ETA: 50s - loss: 2.2439 - acc: 0.1879
任何人都可以帮我弄清楚我做错了什么？是否有任何提示可以确定为什么它会在正常情况下开始增加然后如此迅速地减少？
我使用分类交叉熵与rmsprop优化器
epochs：20 batch_size：128 image_size：32x32
model = Sequential()
model.add(Convolution2D(32, (3, 3),
strides=1,
activation='relu',
padding='same',
input_shape=input_shape,
data_format='channels_last'))
model.add(Convolution2D(32, (3, 3), padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), data_format='channels_last'))
model.add(Dropout(0.25))
model.add(Convolution2D(64, (3, 3), activation='relu'))
model.add(Convolution2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(model.output_shape[1], activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
#METHOD1
# print('compiling model...')
# model.compile(loss='mean_squared_error',
# optimizer='sgd',
# metrics=['accuracy'])
# print('fitting model...')
#
# model.fit(X_train, y_train, batch_size=64, epochs=1, verbose=1)
# METHOD2
sgd = SGD(lr=0.05)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
model.fit(X_train, y_train,
epochs=20,
batch_size=128)
score = model.evaluate(X_test, y_test, batch_size=128)