基于MNIST数据集的CNN模型性能低下问题及优化咨询

核心问题排查与优化步骤： #

• 修正输入形状与数据预处理
  MNIST原始图像尺寸为28×28，你的模型输入设为64×64，若未将图像正确resize至对应尺寸，会导致输入维度不匹配或图像变形，严重干扰模型特征学习。此外，必须对像素值做归一化（从0-255缩至0-1），这是CNN训练的基础要求。
  修正代码示例：

  # 数据预处理（以原始28×28尺寸为例）
  x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
  x_train = x_train.astype('float32') / 255.0  # 归一化处理
  # 同步修改模型输入形状
  model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1), padding="same", 
                   kernel_initializer='glorot_uniform', input_shape=(28, 28, 1), activation='relu'))
  

• 降低学习率
  Adam优化器设置的学习率0.01过高，远超默认的0.001，过大的学习率会导致参数更新幅度过大，模型无法收敛到最优解，这是准确率极低的关键原因之一。
  修正代码：

  model.compile(optimizer = Adam(learning_rate = 0.001), loss = 'categorical_crossentropy', metrics = ['accuracy'])
  

• 增强模型特征提取能力并抑制过拟合
  当前仅用一层卷积层，特征提取能力不足；全连接层1024个神经元数量过多，易引发过拟合。可通过增加卷积层、添加Dropout层、减少全连接层神经元数量优化：
  优化后的模型示例：

  model = Sequential()
  # 第一层卷积+池化
  model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1), padding="same", 
                   kernel_initializer='glorot_uniform', input_shape=(28, 28, 1), activation='relu'))
  model.add(MaxPooling2D(pool_size=(2, 2), padding="same"))
  # 第二层卷积+池化
  model.add(Conv2D(64, kernel_size=(5, 5), strides=(1, 1), padding="same", activation='relu'))
  model.add(MaxPooling2D(pool_size=(2, 2), padding="same"))
  model.add(Flatten())
  # 添加Dropout抑制过拟合
  model.add(Dropout(0.5))
  model.add(Dense(256, activation='relu'))  # 减少全连接层神经元数量
  model.add(Dense(num_classes, activation='softmax'))
  

• 验证标签格式与训练监控
  确认y_train是否为one-hot编码格式：若使用categorical_crossentropy损失函数，标签必须是one-hot形式；若标签为整数类型，需改用sparse_categorical_crossentropy损失函数，否则会导致损失计算错误。
  示例（标签为整数时）：

  model.compile(optimizer = Adam(learning_rate = 0.001), loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'])
  

  训练时加入验证集，实时监控模型泛化能力：

  model1 = model.fit(x_train, y_train, batch_size=128, epochs=20, validation_split=0.1)
  

内容的提问来源于stack exchange，提问作者Jon