Tensorflow2.0训练损失值降低，但测试正确率基本不变的情况

问题描述

对于一个架构，在识别mnist手写数字集精度较高的情况下，更换其他数据集，却无法得到较高的识别结果。假设有n个类别，修改输入端、输出端及几个卷积核的大小，识别时虽然loss在减小，但正确率acc稳定在1/n左右不变化。

解决方法

修改参数

主要考虑的参数有batch、学习率和keep_prob：

1. batch ，降低该值，使得网络充分学习数据；
2. 学习率，降低该值，使得模型梯度下降；
3. keep_prob ，降低该值，使得模型具有学习能力。

检查模型

检查模型是否有问题，修改网络的架构。

loss计算方法

选择loss计算的公式方法是否有问题。

数据标签

检查数据的标签是否转换正确。

权重初始值

修改权重的初始化方法。