问题是数字对旋转不是不变的。

例如，看看将 4 以 90 度的步长旋转时会发生什么：

因此，除非您的任务包括识别横向或倒置的数字，否则这不会提供适当的数据增强。

在对您对 Sammy 帖子的评论的某种回应中，问题不限于五度旋转。该问题允许所有旋转。

一个$8$旋转 90 度是$\infty$不再是$8$. 不要训练你的神经网络来查看$\infty$并称之为$8$.

一个$6$旋转 180 度是$9$; 一个$9$旋转 180 度是$6$. 不要训练你的神经网络来混淆这些。与$\infty$， 有$6$沙$9$s 在您的测试数据中。如果你允许旋转$6$到$9$沙$9$到$6$s，您在识别其他数字方面看到的任何改进都可能被混淆所抵消$6$沙$9$s。

类似地，考虑一个混淆 M 和 W 的手写识别器。

“亲爱的妈妈，母亲节快乐！”

或者回到 WNIST，$^{\dagger}$“亲爱的奶奶，69岁生日快乐！明年，我们将从哈利法塔出发进行 BASE 跳伞，为您的第 100 次跳伞！”

$^{\dagger}$不是错字。

Sammy 和 Dave 已经准确地回答了 Nielsen 打算提出的问题，但根据您对 Sammy 回答的评论，我想您想知道任意多个轻微旋转的训练图像是否会导致问题。

任意多个轻微旋转不会有问题；实际上，您可以通过在每个训练步骤生成一批具有小的随机线性变换（旋转是一种线性变换）的图像来模拟这一点，这种方法很常见。例如看这篇文章

为了在这里添加其他答案，将任意旋转的图像放入神经网络并没有本质上的错误。尼尔森希望你能意识到这会在他所谈论的特定领域（数字识别）内引起问题：问题不在于旋转，问题在于告诉网络 180 度旋转的 9仍然是9（实际上是 6）。如果您正在训练一个网络来对血细胞类型进行分类，那么任意旋转训练图像将是一个很好的策略，因为每个细胞的方向不会携带任何特殊信息。