卷积神经网络识别物体个数（2）

完成人工智能实战课的要求，基于卷积神经网络构建一个自动识别盘子个数的模型

接下来进行模型的训练

1、机器学习流程：

2、模型训练

（1）构建一个 tf.data.Dataset

从目录中的图像文件生成一个 tf.data.Dataset,然后调用 image_dataset_from_directory(main_directory, labels='inferred')将返回一个tf.data.Dataset

（2）缓存存储数据

（3）数据增强

（5）构建模型

常见卷积神经网络（CNN），主要由几个卷积层Conv2D和池化层MaxPooling2D 层组成。卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。

* 特征提取——卷积层与池化层

* 实现分类——全连接层

Dense 层等同于全连接 (Full Connected) 层，通过上面的卷积层和池化层，我们已经提取到图像的特征了，下面通过搭建Dense 层实现分类。

（6）编译模型—配置模型用于训练

主要是为模型选择损失函数loss、优化器 optimizer、衡量指标metrics（通常用准确度accuracy 来衡量的）

（7）设置迭代次数

刚开始迭代了30次，发现loss值太大了，所以一共迭代了好几次，分别有30、100、200、250、300，在后面4.5.9展示了迭代30、200和300的图。

（8）训练模型

（9）保存模型：

（10）绘制训练过程中的损失曲线和精度曲线

* 这里创建了一块画布来同时放置两张图片，便于进行比较

* 迭代300次：