深度学习应用开发：作业六 CIFAR10案例卷积神经网络实践

代码地址：Github

作业要求

基本要求

可尝试采用不同的学习率、单批次样本数、训练轮数等超参数，或是改变模型结构（例如：增加卷积层、池化层或全连接层的数量）让模型的准确率达到70%。

提交要求

  • 你认为最优的一次带运行结果的源代码文件（.ipynb 格式）
  • 文件先压缩为rar或者zip文件，作为附件上传

评分标准

  • 完成CIFAR10图像识别问题的卷积神经网络的建模与应用（必须采用卷积神经网络），有完整的代码，模型能运行，准确率达60%以上；得6分；每下降一个百分点，少得1分；
  • 准确率达65%以上；再得2分，否则再得0分；
  • 准确率到70%以上；再得2分，否则再得0分；
  • 之所以只提70%的准确率作为满分的标准，不是说只能达到这个识别率，而是考虑同学们设备的算力和时间，有GPU的会很快，如果只是CPU的还是需要一些时间的。

TensorFlow

模型结构

image-20221103220913030

超参数

train_epochs = 5
batch_size = 100
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

结果

image-20221103221945825 image-20221103222009302

可视化结果image-20221103222030923