卷积神经网络

部分学习代码

一、MNIST 数据集分类

加载数据并显示数据集中的部分图像

下图为创建网络后，在小型全连接网络上训练的结果

 这是在卷积神经网络上训练的结果

 之后随机打乱像素

再次进行训练和测试

　　全连接网络结果

　　

　　 卷积神经网络结果

　　

体会：含有相同参数的 CNN 效果要明显优于简单的全连接网络，是因为 CNN 能够通过卷积和池化等手段更好的挖掘图像中的信息；但是在打乱像素之后，全连接网络几乎不受影响，而 CNN 的准确率明显下降，因为卷积和池化是通过集中的像素的一些特征来发挥作用的，将像素顺序完全打乱之后无法继续发挥作用，故准效果明显下降。

 

二、CIFAR10 数据集分类

首先得到 CIFAR10 里面的一些图片：

 接下来定义网络，损失函数和优化器并训练网络

然后从测试集中取出8张图片，并把图片输入模型，看看CNN对这些图片的识别结果

 上图中可以看出识别是有一些错误的，每次运行都会出现些许的错误，但总归来说正确率也是达到了百分之六十多

 

三、使用 VGG16 对 CIFAR10 分类

使用VGG16对CIFAR10进行分类

定义 dataloader和VGG网络

进行网络训练

  测试正确率

这次 准确率并没有明显提高，检查后发现前面有一个变量错误，导致网络放到GPU这一个步骤没有成功，改过之后如下

 

 

疑问：可以看出通过使用VGG，准确率有了明显提高。但这次网络训练所需要的时间明显增加，如上上图，运行了将近三个半小时，有什么方法可以提速吗？