我用以下架构构建了CNN：
X = self.conv_layer_1(inputs)
X = self.conv_layer_2(X)
X = self.max_pool_1(X)
X = self.dropout_1(X,training = training)
X = self.batch_norm_1(X,training = training)
X = self.conv_layer_3(X)
X = self.conv_layer_4(X)
X = self.max_pool_2(X)
X = self.dropout_2(X,training = training)
X = self.batch_norm_2(X,training = training)
X = self.flatten(X)
X = self.dense_1(X)
X = self.batch_norm_3(X,training = training)
X = self.dropout_3(X)
X = self.softmax(X)
return X
如果我不使用batch_normalization层，那么我将获得很好的准确性（训练95％，测试79％）。如果仅使用
self.batch_norm_3，则结果会变得更糟，并且在测试集上，损失有时会急剧增加（就像每3-4个时期一样，损失从1.23123变为500000）。如果我使用
self.batch_norm_1和/或self.batch_norm_2，则我始终可以得到10％的测试和训练精度。为什么会这样呢？
我已经使用了CIFAR-10数据集。
最佳答案
link可以帮助您理解。
请注意-密集层是FC层，可进一步用于预测，无需标准化其输出。
当输入数据中存在较大变化（也称为协变量平移）时，标准化以及因此使用batchnorm很有用，这进一步为其他CNN层创建了不平衡的输入数据。
关于python - tensorflow 2.0中的批次标准化使预测结果更糟，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/58845793/