我正在开展一个项目，使用 ECL 和 GNN 包在 MNIST 数据集上训练卷积神经网络 (CNN)。该模型架构包括三个具有批量归一化和 ReLU 激活功能的卷积层，后面是最大池层，最后是三个密集层。尽管正确地对数据进行了标准化和重塑，并使用分类交叉熵作为 Adam 优化器的损失函数，但我观察到测试集的准确性非常低。超过某个点后，训练精度不会显着提高。我已经正确实现了模型架构和数据预处理步骤。任何有关可能导致此问题的原因或如何提高模型准确性的建议将不胜感激。
我尝试了不同的学习率、批量大小和时期数，但这些变化都没有显着提高准确性。我预计该模型在 MNIST 数据集上表现良好，达到与在此数据集上训练的其他标准 CNN 模型相似的准确度。此外，我还验证了模型架构和数据预处理步骤是否正确实施。
首先，发布您的 ECL 会很有帮助，以便我们对其进行分析。其次，通过将结果与 Python Tensorflow 等效结果进行比较，验证了不同模型的 ECL GNN 捆绑准确性。如果您可以将您的设置应用到 Python 等效项并比较结果，那将会很有帮助。此外，对于您正在尝试的 CNN 实现来说，MNIST 数据集可能不是一个好的训练集。 Tensorflow 网站上有一个很棒的教程。 CNN 教程
问候，
鲍勃