第三次作业：卷积神经网络

视频心得体会：

深入了解了卷积神经网络的应用，并有局部关联、参数共享的特点，减少了参数量，并了解了卷积的基本概念和池化、全连接的概念。

使用卷积来模拟人类视觉系统的工作方式，而这种方式极大的降低了神经网络的待训练参数数量。在此之上，使用权重共享技术进一步降低了待训练参数数量。

使用池化层的根本原因是降低计算量，但需要根据当前环境判断是否使用。
问题：损失函数对神经网络的影响不太明白。

 

代码练习：

一、MNIST 数据集分类

运行代码加载数据项

 

 

在小型全连接网络上训练结果如下：

 

 正确率为88%

在卷积神经网络上训练：

 

 正确率为93%，显然有了显著提升。

 

打乱像素后分别训练：

 

 

 

全连接网络：

 

 

 可以看出，打乱像素后，全连接网络没有什么影响，但是卷积神经网络受影响较大。

二、CIFAR10 数据集分类

 

代码如下：

 

 训练完成后截图：

 

 

 

 

识别率为65%

 

三、使用 VGG16 对 CIFAR10 分类

 

代码如下：

 

 

 训练：

 

 

进行测试:

 

 正确率从65%提高到了83.62%，提高显著。