使用BVLC参考AlexNet文件，我一直在训练CNN对抗我创建的训练集。为了衡量培训的进度，我一直在使用粗略的方法来估算培训数据的准确性。我在测试网上的批量大小是256.我有~4500张图像。我对solver.test_nets [0] .forward（）执行17次调用，并记录solver.test_nets [0] .blobs ['accuracy']。data（前向传递的准确性）的值。我取这些平均值。我的想法是，我从我的验证集中获取了16个随机样本256个，并获得了这些随机抽样的准确性。我希望这与整个集合的真实准确度非常接近。但是，我后来回去写了一个脚本来浏览我的LMDB中的每个项目，这样我就可以为我的整个测试集生成一个混淆矩阵。我发现我的模型的真实准确性明显低于估计的准确度。例如，我预期的约75％的准确度下降到约50％的真实准确度。这是一个比我预期的更糟糕的结果。
My assumptions match the answer given here.
我在某个地方做出了错误的假设吗？有什么可以解释这个差异？我曾假设forward（）函数收集了一个随机样本，但我不确定是这样的。 blob。['accuracy']。数据每次返回不同的结果（虽然通常在很小的范围内），所以这就是我假设的原因。
答案 0 :(得分：0)
我曾假设forward（）函数收集了一个随机样本，但我不确定是这样的。 blob。[＆＃39;准确度＆＃39;]。数据每次返回不同的结果（尽管通常在很小的范围内），所以这就是我假设的原因。
Caffe的forward()函数不执行任何随机抽样，只会根据您的DataLayer获取下一批。例如，在您的情况下，forward()将传递您网络中的下256个图像。执行此17次将依次传递17x256=4352张图片。
我在某个地方做出了错误的假设吗？什么可以解释差异？
检查通过整个LMDB的脚本执行与训练期间相同的数据预处理。