反向传播期间不更改CNN过滤器权重的影响

在反向传播期间不更改CNN的过滤器权重有什么影响？在MNIST数据集上进行训练时，我仅更改了完全连接的图层权重，但仍达到了将近99％的精度。

通过不更改CNN的卷积层的权重，实质上是在为分类器（完全连接的层）提供随机特征（即，不是手头分类任务的最佳特征）。

MNIST是一项非常容易的图像分类任务，您几乎可以将输入像素输入分类器，而无需进行任何特征提取，并且仍然可以在90年代获得高分。除此之外，也许池化层会有所帮助...

尝试在输入图像上训练MLP（无卷积/池层），并查看其排名。这是一个示例，其中MLP（1个隐藏的和1个输出层）达到了98 +％，而没有进行任何预处理/功能提取。

编辑：

我还想指出我写的另一个答案，它详细说明了为什么 MNIST像图像分类任务一样容易。