卷积神经网络及其在一些数据集上的分类应用

3.1 MINIST数据集分类

1.加载数据

显示数据集中的部分图像如下，为一些黑底白字的数字

2.创建网络

3.训练与测试
在小型全连接网络上训练，结果如下

在卷积神经网络上训练，可以看出效果明显优于全连接网络

4.打乱像素

5.再次训练与测试
全连接网络，准确率为88%

卷积神经网络，准确率为83%

可见，打乱像素后，两者准确率差别不大，甚至全连接网络更优。

3.2 CIFAR10数据集分类

1.CIFAR数据集的部分图片展示，可以看到图片及其对应的标签

2.训练网络

最后几轮的训练结果展示

3.该网络在整个数据集上的表现

可以看到，由于色彩变得更为丰富，图像变得更为复杂，即使网络进行了优化，其准确率也仅有62%，于是引出了接下来的这个网络模型。

3.3 使用VGG16对CIFAR10进行分类

1.重新定义transform和dataloader

2.定义VGG网络模型（网络训练部分较之前不变）

3.检验准确率

简易的VGG网络就可以将正确率显著提升至83.58%