这是tensorflow 教程中mnist_softmax实现的快速测试。您可以将此代码附加到文件末尾以重现结果。

在 MNIST 输入数据中，像素值范围从 0（黑色背景）到 255（白色前景），通常在 [0,1] 区间内缩放。

在 tensorflow 中， 的实际输出mnist.train.next_batch(batch_size)确实是该格式的训练数据的 (batch_size, 784) 矩阵。现在让我们反转灰度，通过 batch_xs = 1-batch_xs. 我们现在可以用正常和反转输入数据的分类准确度来衡量性能，并在 100 次试验中平均该准确度，在每次试验中我们对神经网络执行 50 次更新。

n_trials = 100
n_iter = 50
accuracy_history = np.zeros((2,n_trials))
batch_size = 100


for k, preprocessing in enumerate(['normal','reversed']):
    sess.run(init)
    for t in range(n_trials):
        for i in range(n_iter):       
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            if preprocessing == 'reversed':
                batch_xs = 1-batch_xs
            sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
       images = mnist.test.images
       if preprocessing == 'reversed':
             images = 1-mnist.test.images
       accuracy_history[k,t] = sess.run(accuracy, feed_dict={x: images,
                                        y_: mnist.test.labels})

print(accuracy_history.mean(axis=1))

>> Out[58]: array([ 0.91879 ,  0.837478])

要回答您的问题，反转灰度值确实会影响性能。

我相信数据中心化是黑底白字表现不如黑底白字的原因之一。一般来说，在机器学习中，将数据归一化是一种很好的做法。当您想到 MNIST 数据集时，图像上的大多数像素都是黑色的，因此平均值接近 0，而如果您将其反转，它将为 1（如果不按比例缩小，则为 255）。

更重要的是，在神经网络更新中，输入中对应于 0 的权重不会被更新。您可以通过观察训练后神经网络权重的演变（分别为 W_begin 和 W_end）通过实验看到它。下面是两个表示权重绝对值变化的热图。

from matplotlib.pyplot import imshow
heatmap = (np.abs(W_begin-W_end).max(axis=1)).reshape((28,28))
imshow(heatmap)

对于第一个图像 - 黑色数字上的白色 - 您可以看到图像边框（深蓝色）上的权重根本没有改变。

然而，在第二张图片上——白色数字上的黑色——你可以看到边框上有一个更亮的蓝色，这意味着这些权重发生了变化。但是您也会注意到图像中心附近的深蓝色区域，这表明该区域的权重没有太大变化。

直观地说，我们并不关心更新边界的权重，因为相应的像素不会区分不同类别的数字。但是，出于相反的原因，我们确实关心图像中间的权重。这解释了为什么黑底白字 MNIST 比黑底白字表现得更好。