我在MNIST数据上使用Tensorflow 的官方批处理规范化（BN）函数（tf.contrib.layers.batch_norm（））。我使用以下代码添加BN：
local4_bn = tf.contrib.layers.batch_norm(local4, is_training=True)
在测试过程中，我在上面的代码行中更改了“ is_training = False”，并观察到仅20％的准确性。但是，如果我也将上述代码也用于批处理100张图像的测试（即，保持is_training = True），则它的精度约为99％。该观察表明，指数移动平均值和方差由 batch_norm（）可能不正确，或者我的代码中缺少某些内容。
任何人都可以回答有关上述问题的解决方案。
我正在使用汉明距离来计算由来自 opencv的BRISK 描述符获得的两个关键点描述符之间的差异。我遵循opencv 文档的建议并在计算距离时使用cv2.NORM_HAMMING如下：
dist_opencv = cv2.norm(des_1,des_2,cv2.NORM_HAMMING)
它在两个描述符中提供值 87.0。但是，根据汉明距离描述，这是不正确的。我遵循了两种替代方法（在 python 中实现）来验证这一点：
dist_alt_app_1 = len(np.where(np.abs(des_1 - des_2)>0)[0])
dist_alt_app_2 = sum(el1 != el2 for el1, el2 in zip(des_1, des_2))
dist_alt_app_1 和 dist_alt_app_2 提供的值 43 与从 opencv 获得的 87.0 不相似。进行了一些搜索以了解这种差异的原因。但是没有找到解释和澄清。
任何人都可以为这种差异提供解释吗？提前致谢。
============== 在这里添加一个例子（使问题更笼统）：
des_1 = [180 25 195 96 96 88 0 0]
des_2 = [244 27 195 96 96 192 0 0]
对于上述两个描述符，dist_opencv = 5.0 和其他（dist_alt_app_1 和 dist_alt_app_2）给出 …