开发平台(Platform): (Ex: VC++, GCC, Linux, ...)
Linux, Tensorflow
额外使用到的函数库(Library Used): (Ex: OpenGL, ...)
OpenCV
问题(Question)：
目前做了一些实验，放了VOC2007的Data set下去做学习
只训练了分类问题，并把图片类别调整只剩为单一类别
去做softmax的分类学习
network为 5层conv 与 3层fc
再来接到softmax_with_loss
最佳化使用GradientDescentOptimizer
learning rate = 0.005
而初始weigth and biases 的参数为random_normal
其设定参数stddev=0.1
实验一 只考虑两张图(故意训练到overfitting)
做了两个部分的weight and biases value的init不同
会导致一个loss很高下不去，另一个则是会loss会降到很接近零
stddev=0.1 stddev=0.01
这种情况期其实想不通，麻烦各位大大指点
实验二
10张图 batch size 10的情况下(想训练到overfitting)
拿了两张图片可以训练到loss很小的参数来用
但是会撞到调整到某一次迭代后loss会变成超大
然后在下一次输出的值就变成nan
但经由调整参数后又可以降到loss很小(并且可以对训练资料预测正确)
实验三
拿了整个VOC2007的训练资料集做训练
batch size一样为10 训练参数一样 image就是整个训练资料集
其解果同实验二也会有一样的情形
net的参数需要重新调整
想询问的点是在于
这样做实验是否有问题?
如果image、batch size的数量不同，
初始参数也要跟着调整这样真的合理吗?
喂入的资料(Input)：
VOC2007训练资料结果
预期的正确结果(Expected Output)：
预测voc2007图片正确的分类
错误结果(Wrong Output)：
学习无效 or 输出结果突然变成nan
程式码(Code)：(请善用置底文网页, 记得排版)
补充说明(Supplement)：