我目前正在使用深度神经网络解决回归问题，给定输入中的 32x32x256 体积需要在输出中生成相同尺寸的第二体积，这不是分割问题，网络生成的体积由浮点数形成（更具体地说，我试图从嘈杂的 X 射线束中去除噪声）。

作为损失函数，我使用 MSE beetwen 由网络生成的体积和已经计算的没有噪声的地面体积。

在将它们提供给网络之前，已将体积标准化为 0 到 1 之间的值。

当我们开始第一次训练时，我们在 MSE 中得到非常低的值（大约 3*10^-4），但深度网络正在收敛（接近 5*10^6 的值）。

我的一位同事表示，这些（损失的）值远远低于使用 Keras 和 Adam 作为优化器的框架获得最佳结果，并建议更改损失函数以在 100 范围内获得结果 - 0.01，他建议做差的平方和而不是平均值。

起初我真的被他的说法弄糊涂了，但做了一个测试：

在将它们提供给网络之前，我没有将体积标准化为 0 到 1 之间的值，而是将它们标准化为 0 到 1000 之间的值。

在这个测试中，MSE 从大约 30'000 的值开始，并覆盖了接近 600 的值，在对数据进行非规范化之后，这个新的神经网络给出了比第一个网络更准确的结果，并且只是通过改变起始规范化！

你知道这种行为的原因吗，我的同事是对的吗？