基于卷积神经网络的CIFAR10图像分类训练

---

基于卷积神经网络的CIFAR10图像分类训练

一、数据集介绍

CIFAR10是一个用于图像识别的10分类彩色数据集，每张图片32x32的像素，每种对应有6000张图片，共60000张的数据中50000张训练集和10000张测试集。

二、基础模型

采用简单网络结构，卷积核大小统一采用3*3，具体如下：

第一层：32个卷积核的卷积层、dropout层(0.3)、池化层
第二层：64个卷积核的卷积层、dropout层(0.3)、池化层
全连接层及输出层
**epochs=40，batch_size=128**，训练结果如下：

• 结论：训练集上达到97%时，测试集仅72.3%，模型明显过拟合，针对这个问题进行改进。

三、模型优化与数据处理

1. 数据增强

datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=None,rotation_range=15,width_shift_range=0.1,
                                                          height_shift_range=0.1,shear_range=0.1zoom_range=0.1,
														  horizontal_flip=True,fill_mode='nearest')
datagen.fit(x_img_train)

2. 网络结构优化

• 新增64核卷积层、128核卷积层、256核卷积层各一层
• 各层网络中间增加几层dropout防止过拟合

model = tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=(3,3),input_shape=(32,32,3),padding='same',
                                 activation='relu',strides=(1,1)))
model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(rate=0.2))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))

model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(rate=0.2))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))
model.add(tf.keras.layers.Conv2D(filters=128,kernel_size=(3,3),activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(rate=0.4))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))
model.add(tf.keras.layers.Conv2D(filters=128,kernel_size=(3,3),activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(rate=0.4))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))
model.add(tf.keras.layers.Conv2D(filters=256,kernel_size=(3,3),activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(rate=0.4))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dropout(rate=0.4))
model.add(tf.keras.layers.Dense(1024,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

3. 模型训练

• **epochs=40，batch_size=128**训练结束后训练集准确率仅89%，故提高epochs至100，训练结果如下：

• epochs与val_accuracy的相关性如图：
  
  
  由上图可以看出，当epochs=40左右时，val_accuracy已达到饱和，再提高epochs对于模型准确率的作用不大。

四、安装

第1步：从Github克隆代码

git clone https://github.com/Jenn226/CIFAR10-CNN.git

第2步：安装环境

tensorflow2.9.1（采用2.1.x以上版本即可）
matplotlib3.6.2（用于训练数据可视化，选择性安装即可）
python3.10.6（采用3.7.x以上版本即可）

第3步：运行main1.ipynb即可