我用Matconvnet上的Matconvnet对CNN进行二进制分类。 现在我想用Python的Keras做到这一点。 互联网一点也不复杂。 我在Matconvnet上实现了96%的精度。 但是，对于Keras，即使尽最大努力确保所有设置都与以前完全相同，也无法获得相同的结果。 更糟的是，这个模型根本不起作用。 在
这里有设定的详细内容。 感谢任何想法和帮助！ 输入
图像大小为20*20。 培训规模为400，测试规模为100，验证规模为132。 使用mat convnet :20 * 20 * sample _-size方法保存的图像
Keras :图像存储在sample_size*20*20*1方法中
CNN结构
(3)3)转换)2)最大池(完全连接)-softmax-loglossMatconvnet )使用卷积层而不是完全连接层。 代码如下。 function net=initializeCNNA (
f=1/100；
net.layers={}；
net.Layers{end1}=struct('type '，' conv '，
' weights '，{ f * randn (3，3，1，3，' single '，zeros ) 1，3，' single ' ) }，
' stride '，1，
' pad '，0；
net.Layers{end1}=struct('type )、' pool )，
' method '，' max '，
' pool '，[2 2]，
' stride '，2，
' pad '，0；
net.Layers{end1}=struct('type '，' conv '，
' weights '，{ f * randn (9，9，3，2，' single '，zeros ) 1，2，' single'}，
' stride '，1，
' pad '，0；
net.Layers{end1}=struct('type '，' softmaxloss )；
net=VL_simplenn_tidy(net )；
Keras:
^{pr2}$
损耗函数Matconvnet:softmaxloss
Keras:binary_crossentropy
优化程序Matconvnet :来自新加坡的trainOpts.batchSize=50；
trainOpts.numEpochs=20；
trainOpts.learningRate=0.001；
trainOpts.weightDecay=0.0005；
trainOpts.momentum=0.9；
Keras :新加坡元SGD=optimizers.SGD(lr=0.001，momentum=0.9，decay=0.0005 ) ) ) ) ) )。
model.com pile (loss=' binary _ cross entropy '，
optimizer=sgd
测量结果=[ ' accuracy ' ] )
初始化：过滤器： n (0，0.1 )，偏差： 0
标准化：输入图像的平均值为0，标准偏差为1时，除标准化外没有批次标准化。 在
以上是我回顾的一面，以确认我复制正确。 但是我不知道为什么在Keras上不起作用。 以下是Matconvnet使用卷积层而不是完全连接层的推测： 这可能意味着更新参数的奇怪方法。 在
它们使用不同的算法应用具有不同参数意义的SGD。 在
也做了其他的尝试。 已将Keras优化程序更改为Adadelta ()。 没有改善。 在
改变网络结构，使之达到更深层次。 它在起作用！ 在
但是我想知道Matconvnet为什么能用更简单的方法实现这个好结果。