7-mnist-cnn

最新推荐文章于 2023-11-01 15:48:41 发布
最新推荐文章于 2023-11-01 15:48:41 发布
阅读量177 收藏
点赞数
分类专栏： fastai学习 cnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_23341175/article/details/105177519
版权

mnist cnn

导入包

%reload_ext autoreload
%autoreload 2
%matplotlib inline
from fastai.vision import *

导入数据

path = untar_data(URLs.MNIST)
path.ls()

[WindowsPath('C:/Users/Wither8848/.fastai/data/mnist_png/testing'),
 WindowsPath('C:/Users/Wither8848/.fastai/data/mnist_png/training')]
  • 转化成灰度图
il = ImageList.from_folder(path, convert_mode='L')
il.items[0]

WindowsPath('C:/Users/Wither8848/.fastai/data/mnist_png/testing/0/10.png')
  • 设置成灰度图模式
defaults.cmap='binary'

il

ImageList (70000 items)
Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28)
Path: C:\Users\Wither8848\.fastai\data\mnist_png

il[0].show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qPyj1Jd9-1585460137806)(output_10_0.png)]

分割数据集

sd = il.split_by_folder(train='training', valid='testing')
  • 获取标签
ll = sd.label_from_folder()

ll

LabelLists;

Train: LabelList (60000 items)
x: ImageList
Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28)
y: CategoryList
0,0,0,0,0
Path: C:\Users\Wither8848\.fastai\data\mnist_png;

Valid: LabelList (10000 items)
x: ImageList
Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28),Image (1, 28, 28)
y: CategoryList
0,0,0,0,0
Path: C:\Users\Wither8848\.fastai\data\mnist_png;

Test: None
  • 添加变换
    使用随机填充 []表示验证集不使用变换
tfms = ([*rand_pad(padding=3, size=28, mode='zeros')], [])

ll = ll.transform(tfms)
bs = 128
  • 这里不使用预训练，所以不需要加imagenet_stats
data = ll.databunch(bs=bs).normalize()

x,y = data.train_ds[0]
x.show()
print(y)

0

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4eJ5wFpB-1585460137808)(output_21_1.png)]

  • 每调用一次就会随机变换
def _plot(i,j,ax): data.train_ds[0][0].show(ax, cmap='gray')
plot_multi(_plot, 3, 3, figsize=(8,8))

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jlxeh0wJ-1585460137808)(output_23_0.png)]

  • 一个批次的数据
xb,yb = data.one_batch()
xb.shape,yb.shape

(torch.Size([128, 1, 28, 28]), torch.Size([128]))

data.show_batch(rows=3, figsize=(5,5))

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L0sQXrvE-1585460137808)(output_26_0.png)]

定义卷积网络

def conv(ni,nf): return nn.Conv2d(ni, nf, kernel_size=3, stride=2, padding=1)

model = nn.Sequential(
    conv(1, 8), # 8*14*14
    nn.BatchNorm2d(8),
    nn.ReLU(),
    conv(8, 16), # 7
    nn.BatchNorm2d(16),
    nn.ReLU(),
    conv(16, 32), # 4（向上取整）7/2
    nn.BatchNorm2d(32),
    nn.ReLU(),
    conv(32, 16), # 2
    nn.BatchNorm2d(16),
    nn.ReLU(),
    conv(16, 10), # 10*1*1
    nn.BatchNorm2d(10),
    Flatten()     # 移除单位轴，得到长度为10的向量
)

learn = Learner(data, model, loss_func = nn.CrossEntropyLoss(), metrics=accuracy)

print(learn.summary())

Sequential
======================================================================
Layer (type)         Output Shape         Param #    Trainable 
======================================================================
Conv2d               [8, 14, 14]          80         True      
______________________________________________________________________
BatchNorm2d          [8, 14, 14]          16         True      
______________________________________________________________________
ReLU                 [8, 14, 14]          0          False     
______________________________________________________________________
Conv2d               [16, 7, 7]           1,168      True      
______________________________________________________________________
BatchNorm2d          [16, 7, 7]           32         True      
______________________________________________________________________
ReLU                 [16, 7, 7]           0          False     
______________________________________________________________________
Conv2d               [32, 4, 4]           4,640      True      
______________________________________________________________________
BatchNorm2d          [32, 4, 4]           64         True      
______________________________________________________________________
ReLU                 [32, 4, 4]           0          False     
______________________________________________________________________
Conv2d               [16, 2, 2]           4,624      True      
______________________________________________________________________
BatchNorm2d          [16, 2, 2]           32         True      
______________________________________________________________________
ReLU                 [16, 2, 2]           0          False     
______________________________________________________________________
Conv2d               [10, 1, 1]           1,450      True      
______________________________________________________________________
BatchNorm2d          [10, 1, 1]           20         True      
______________________________________________________________________
Flatten              [10]                 0          False     
______________________________________________________________________

Total params: 12,126
Total trainable params: 12,126
Total non-trainable params: 0
Optimized with 'torch.optim.adam.Adam', betas=(0.9, 0.99)
Using true weight decay as discussed in https://www.fast.ai/2018/07/02/adam-weight-decay/ 
Loss function : CrossEntropyLoss
======================================================================
Callbacks functions applied
  • 放到cuda
xb = xb.cuda()

model(xb).shape#调用模型

torch.Size([128, 10])
  • 寻找学习率
learn.lr_find(end_lr=100)
epochtrain_lossvalid_lossaccuracytime

LR Finder is complete, type {learner_name}.recorder.plot() to see the graph.


learn.recorder.plot()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jVQPV6z5-1585460137809)(output_37_0.png)]

learn.fit_one_cycle(3, max_lr=0.1)
epochtrain_lossvalid_lossaccuracytime
00.2059210.2395710.92320001:15
10.1335860.1066500.96670001:15
20.0739120.0379990.98790001:15

重构

def conv2(ni,nf): return conv_layer(ni,nf,stride=2)#fastai将卷积，batch，relu函数整合了

learn = Learner(data, model, loss_func = nn.CrossEntropyLoss(), metrics=accuracy)

learn.fit_one_cycle(10, max_lr=0.1)
epochtrain_lossvalid_lossaccuracytime
00.0758480.0538450.98270001:17
10.1344790.1166630.96290001:17
20.1326100.1292930.95760001:17
30.1204640.0898580.97140001:16
40.1146730.1499740.94980001:17
50.0932950.1554920.94670001:16
60.0763960.0423740.98640001:17
70.0593970.0350040.98900001:17
80.0513650.0258740.99200001:16
90.0401920.0242200.99260001:16

加入resnet

class ResBlock(nn.Module):
    def __init__(self, nf):
        super().__init__()
        self.conv1 = conv_layer(nf,nf)
        self.conv2 = conv_layer(nf,nf)
        
    def forward(self, x): return x + self.conv2(self.conv1(x))

help(res_block)

Help on function res_block in module fastai.layers:

res_block(nf, dense: bool = False, norm_type: Union[fastai.layers.NormType, NoneType] = <NormType.Batch: 1>, bottle: bool = False, **conv_kwargs)
    Resnet block of `nf` features. `conv_kwargs` are passed to `conv_layer`.

model = nn.Sequential(
    conv2(1, 8),
    res_block(8),
    conv2(8, 16),
    res_block(16),
    conv2(16, 32),
    res_block(32),
    conv2(32, 16),
    res_block(16),
    conv2(16, 10),
    Flatten()
)
  • 重构
def conv_and_res(ni,nf): return nn.Sequential(conv2(ni, nf), res_block(nf))

model = nn.Sequential(
    conv_and_res(1, 8),
    conv_and_res(8, 16),
    conv_and_res(16, 32),
    conv_and_res(32, 16),
    conv2(16, 10),
    Flatten()
)

learn = Learner(data, model, loss_func = nn.CrossEntropyLoss(), metrics=accuracy)

learn.lr_find(end_lr=100)
learn.recorder.plot()
epochtrain_lossvalid_lossaccuracytime

LR Finder is complete, type {learner_name}.recorder.plot() to see the graph.

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Gx8Gtymk-1585460137809)(output_51_2.png)]

learn.fit_one_cycle(12, max_lr=0.05)
epochtrain_lossvalid_lossaccuracytime
00.2031100.1650420.95240001:20
10.1337230.1808650.94620001:20
20.1134150.0997600.96780001:22
30.0905750.0858400.97330001:20
40.0759670.0535310.98440001:20
50.0588110.0497790.98550001:21
60.0517290.0493160.98510001:20
70.0453100.0306210.98990001:20
80.0373430.0266400.99280001:20
90.0272710.0189840.99430001:20
100.0193440.0167250.99470001:21
110.0186910.0154510.99510001:21
print(learn.summary())

Sequential
======================================================================
Layer (type)         Output Shape         Param #    Trainable 
======================================================================
Conv2d               [8, 14, 14]          72         True      
______________________________________________________________________
ReLU                 [8, 14, 14]          0          False     
______________________________________________________________________
BatchNorm2d          [8, 14, 14]          16         True      
______________________________________________________________________
Conv2d               [8, 14, 14]          576        True      
______________________________________________________________________
ReLU                 [8, 14, 14]          0          False     
______________________________________________________________________
BatchNorm2d          [8, 14, 14]          16         True      
______________________________________________________________________
Conv2d               [8, 14, 14]          576        True      
______________________________________________________________________
ReLU                 [8, 14, 14]          0          False     
______________________________________________________________________
BatchNorm2d          [8, 14, 14]          16         True      
______________________________________________________________________
MergeLayer           [8, 14, 14]          0          False     
______________________________________________________________________
Conv2d               [16, 7, 7]           1,152      True      
______________________________________________________________________
ReLU                 [16, 7, 7]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 7, 7]           32         True      
______________________________________________________________________
Conv2d               [16, 7, 7]           2,304      True      
______________________________________________________________________
ReLU                 [16, 7, 7]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 7, 7]           32         True      
______________________________________________________________________
Conv2d               [16, 7, 7]           2,304      True      
______________________________________________________________________
ReLU                 [16, 7, 7]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 7, 7]           32         True      
______________________________________________________________________
MergeLayer           [16, 7, 7]           0          False     
______________________________________________________________________
Conv2d               [32, 4, 4]           4,608      True      
______________________________________________________________________
ReLU                 [32, 4, 4]           0          False     
______________________________________________________________________
BatchNorm2d          [32, 4, 4]           64         True      
______________________________________________________________________
Conv2d               [32, 4, 4]           9,216      True      
______________________________________________________________________
ReLU                 [32, 4, 4]           0          False     
______________________________________________________________________
BatchNorm2d          [32, 4, 4]           64         True      
______________________________________________________________________
Conv2d               [32, 4, 4]           9,216      True      
______________________________________________________________________
ReLU                 [32, 4, 4]           0          False     
______________________________________________________________________
BatchNorm2d          [32, 4, 4]           64         True      
______________________________________________________________________
MergeLayer           [32, 4, 4]           0          False     
______________________________________________________________________
Conv2d               [16, 2, 2]           4,608      True      
______________________________________________________________________
ReLU                 [16, 2, 2]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 2, 2]           32         True      
______________________________________________________________________
Conv2d               [16, 2, 2]           2,304      True      
______________________________________________________________________
ReLU                 [16, 2, 2]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 2, 2]           32         True      
______________________________________________________________________
Conv2d               [16, 2, 2]           2,304      True      
______________________________________________________________________
ReLU                 [16, 2, 2]           0          False     
______________________________________________________________________
BatchNorm2d          [16, 2, 2]           32         True      
______________________________________________________________________
MergeLayer           [16, 2, 2]           0          False     
______________________________________________________________________
Conv2d               [10, 1, 1]           1,440      True      
______________________________________________________________________
ReLU                 [10, 1, 1]           0          False     
______________________________________________________________________
BatchNorm2d          [10, 1, 1]           20         True      
______________________________________________________________________
Flatten              [10]                 0          False     
______________________________________________________________________

Total params: 41,132
Total trainable params: 41,132
Total non-trainable params: 0
Optimized with 'torch.optim.adam.Adam', betas=(0.9, 0.99)
Using true weight decay as discussed in https://www.fast.ai/2018/07/02/adam-weight-decay/ 
Loss function : CrossEntropyLoss
======================================================================
Callbacks functions applied
Witcher8848
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CNN网络实现手写数字（MNIST）识别 代码分析
Sylvia136655的博客
07-19 5625
CNN网络实现手写数字（MNIST）识别 代码分析(自学用) Github代码源文件 本文是学习了使用Pytorch框架的CNN网络实现手写数字（MNIST）识别 #导入需要的包 import numpy as np //第三方库，用于进行科学计算 import torch from torch import nn from PIL import Image // Python Image Library,python第三方图像处理库 import matplotlib.pyplot as plt
resnet152训练_用fastai ResNet50训练CIFAR10，85%准确度
weixin_29128423的博客
12-30 730
版权声明：本文为博主原创文章，欢迎转载，并请注明出处。联系方式：460356155@qq.comFastai是在pytorch上封装的深度学习框架，效果出众，以下是训练CIFAR10的过程。导入库from fastai import *from fastai.vision import *from fastai.callbacks import CSVLogger, SaveModelCallba...
深度学习实战入门——CNN实现MNIST手写数字识别
人形自走写bug机的Blog
03-15 7321
深度学习实战入门——CNN实现MNIST手写数字识别 今天来从头自己搭一个非常简单的卷积网络，使用的数据集是MNIST. MNIST应该算是一个被用烂了的数据集了，非常非常适合初学，数据量比较小，数据处理、训练和预测的时间都比较短，可以很好地用于把控网络搭建的整个过程。 0x01 数据和自定义函数的准备 MNIST数据集的下载地址是http://yann.lecun.com/exdb/mnist/ ，可能稍微有一点点慢，有耐心即可。一共有四个文件： 文件名 说明 大小 train-image
深度学习——CNN实现MNIST手写数字的识别
尘心平的博客
08-01 1万+
本篇博客记录了学习K同学啊的深度学习100例的第一例的学习过程,主要介绍了CNN神经网络的基本知识,使用方法及使用流程, 简单介绍了数据集的归一化和标准化 激活函数 优化器 损失函数 metrics等配置............
TensorFlow学习笔记——MNIST手写数字识别的CNN代码实现（代码注释详细，方便小清新入门）
weixin_40730615的博客
08-18 2597
1. 全连接神经网络 vs. 卷积神经网络 1.1 全连接神经网络 先回顾多层神经网络 多层神经网络包括一个输入层和一个输出层，中间有多个隐藏层。每层有若干个神经元，相邻两层之间的后一层的每个神经元都分别与前一层的所有神经元连接。在识别问题中，输入层（即网络的第一层）代表特征向量，其每一个神经元代表一个特征值。 多层神经网络在图像识别问题中，输入层的每一个神经元可能代表一个像素的灰度值。但这种神经网络用于图像识别有几个问题，一是没有考虑图像的空间结构，识别性能受到限制；二是每相邻两层的神经元都是全相连，参
Fashion-MNIST
03-21
这使得Fashion-MNIST成为评估和比较不同机器学习模型性能的理想选择，尤其是对于卷积神经网络（CNN）的学习。 在处理Fashion-MNIST时，通常首先会进行数据预处理，包括将像素值标准化到0到1之间，以及将数据集划分...
fashion-mnist.zip
05-24
7. 沙滩鞋（Sandal） 8. 包（Bag） 9. 运动鞋（Sneaker） 10. 靴子（Ankle boot） 这些类别为模型提供了多样化的学习内容，有助于提高模型的泛化能力。对于初学者来说，这个数据集非常适合理解卷积神经网络（CNN）...
Single-Layer-CNN-on-MNIST
04-08
标题“Single-Layer-CNN-on-MNIST”指的是一个项目，该项目使用了单一层次的卷积神经网络（CNN）来处理MNIST数据集，目的是对手写数字进行识别。MNIST数据集是机器学习领域中非常经典的一个数据集，主要用于训练和...
利用CNN对MNIST训练
qq_44377946的博客
08-31 4306
目录 1 简介 2 数据集 3 数据预处理 3.1 数据集导入 3.2 像素值归一化处理 3.3 计算图片的高和宽 3.4 读取标签并进行one-hot编码 3.5 数据集划分 4 参数与网络设置 4.1 参数设置 4.2 网络设置 5 损失设置与训练 6 结果展示 1 简介 MNIST是一个入门级的计算机视觉数据集，它包含各种从0到9的手写数字图片以及对应的标签，本篇使用了简单卷积神经网络来实现手写图片预测，主要目的在于熟悉CNN的操作。 首先，设置一些参数 ..
基于MNIST数据集的CNN搭建与应用
hacker_NO_007的博客
03-30 2434
提示：考研复试结束后，想具体学习一下CNN的搭建与应用，特意写下此篇文章来加深理解与应用，希望与csdn博客的同学一同学习与交流。 文章目录前言一、CNN是什么？1.个人自评与观点2.CNN拆分3.CNN各层具体深入讲解4.CNN的整体结构二、撸代码实战1.利用TensorFlow，加载MNIST数据集2.构造各个方法函数总结 前言 随着深度学习的不断火爆，计算机视觉领域与自然语言处理出现了更多的创新需求，本文基于手写数字识别数据集MNIST，从零开始搭建卷积神经网络，一步一步在网络上搭建好之后进行训练.
一.卷积神经网络（CNN）实现minist数据集
最新发布
qq_43917080的博客
11-01 2271
minist数据集识别
深度学习手记（七）之MNIST实现CNN模型
星影L的博客
03-26 3063
  手写字体识别是一个很好练习CNN框架搭建的数据集。下面简单讲述一下整个模型构建的思路：   整个模型通过两次卷积、两次亚采样以及两次全连接层，整个结构比较简单，也易理解。其中，两次卷积层的大小都为5x5，过滤器分别为32和64个，为了不改变图片的大小，设置padding参数为“same”，步长为1，激活函数为Relu；两次亚采样层（Pool）的大小都为2x2，步长设为2，以至于图片尺寸缩小一倍...
基于mnist数据库的CNN卷积神经网络手写数字识别MATLAB仿真
FPGA/MATLAB学习教程/源码/项目合作开发
06-24 1270
首先，我们可以添加一个卷积层(Convolutional Layer)，包含32个卷积核，每个卷积核的大小为3×3，步幅为1，激活函数为ReLU。假设我们有一个输入图像$x$，大小为$W\times H\times D$，其中$W$是图像的宽度，$H$是图像的高度，$D$是图像的深度，也称为通道数。输出特征图的大小为$(W-K+2P)/S+1\times (H-K+2P)/S+1\times F$，其中$K$是卷积核的大小，$P$是填充大小，$S$是步幅，$F$是卷积核的数量。
深度学习：使用卷积神经网络CNN实现MNIST手写数字识别
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
08-09 3628
卷积神经网络是一种多层、前馈型神经网络。从功能上来说，可以分为两个阶段，特征提取阶段和分类识别阶段。特征提取阶段能够自动提取输入数据中的特征作为分类的依据，它由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。处在前面的特征层捕获图像中局部细节的信息，而后面的特征层能够捕获到图像中更加高层、抽象的信息。MNIST数据集是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集。其中的图像的尺寸为28*28。
MNIST数据集手写数字识别（CNN）
热门推荐
sikh_0529的博客
09-17 2万+
MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。前面在介绍卷积神经网络的时候说到过LeNet-5，LeNet-5之所以强大就是因为在当时的环境下将MNIST数据的识别率提高到了99%，这里我们也自己从头搭建一个卷积神经网络，也达到99%的准确率。
卷积神经网络（CNN）实现mnist手写数字识别
君莫笑的博客
08-04 2910
csdn21天学习挑战赛： Keras是基于TensorFlow或者Theano框架下的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。 卷积神经网络的介绍...............
Mnist手写数字识别之CNN实现
miracle
01-10 7143
Mnist手写数字识别之CNN实现 最近有点闲，想整一下机器学习，本以为自己编程还不错，想想机器学习也不难，结果被自己啪啪啪的打脸，还疼的不行。 废话不多说，开始搞事情。 本博客的主要内容是：通过TF一步一步用卷积神经网络（CNN）实现手写Mnist数字识别 如果你很牛逼，就不用看我哔哔了，我菜鸟一只，本博客中涉及到多个方面的知识，有的是引用其他博客的知识，会给出相应的连接，我就做一个知识的整理者...
基于CNN卷积神经网络实现mnist手写数据集识别
泥签的博客
02-23 7380
CNN理论 CNN结构卷积层卷积运算，填充 步幅 三维数据的运算 多滤波器 批处理 池化层 CNN实现 im2col原理与代码 卷积层与池化层的实现 CNN卷积神经网络的实现 训练CNN
基于CNN网络的mnist手写数字数据库训练和识别
FPGA/MATLAB学习教程/源码/项目合作开发
06-06 2468
基于CNN深度学习网络的MNIST手写数字识别实现主要包括以下几个步骤：数据集加载、数据预处理、模型构建、模型训练和模型测试。MNIST手写数字数据库是机器学习领域中的一个经典数据集，包含了一系列手写数字图片和对应的标签，是进行手写数字识别算法研究和性能评估的标准数据集之一。通过对数据集的加载、预处理、模型构建、模型训练和模型测试等步骤的介绍，可以帮助读者了解深度学习网络的基本原理和实现方法，以及如何应用深度学习网络进行手写数字识别任务。卷积层是CNN网络中的核心组件，它可以自动提取输入图像的特征。
Fashion-MNIST卷积神经网络
07-14
您好！Fashion-MNIST是一个流行的图像分类数据集，用于训练和测试机器学习模型。卷积神经网络（Convolutional Neural Network，CNN）是一种常用的深度学习模型，特别适用于图像相关的任务。 要使用卷积神经网络对Fashion-MNIST数据集进行分类，通常需要以下步骤： 1. 准备数据集：首先，您需要下载Fashion-MNIST数据集并加载到您的程序中。这个数据集包含了10个类别的服装图像，每个类别有6000张训练图像和1000张测试图像。 2. 数据预处理：在训练模型之前，您需要对数据进行预处理。这通常包括将像素值归一化到0到1之间，将标签转换为独热编码（one-hot encoding），以及将数据划分为训练集和验证集。 3. 构建卷积神经网络模型：使用卷积层、池化层和全连接层来构建您的卷积神经网络模型。您可以选择不同的架构和超参数来优化模型性能。 4. 模型训练：使用训练集对模型进行训练。通过反向传播和梯度下降算法，不断调整模型参数以最小化损失函数。 5. 模型评估：使用测试集评估模型的性能。计算准确率、精确率、召回率等指标，了解模型在未见过的数据上的表现。 6. 模型优化：根据评估结果，对模型进行调整和优化。可以尝试不同的网络架构、正则化技术、优化算法等来提升模型性能。 这只是一个简要的概述，实际上在实现Fashion-MNIST卷积神经网络时，还需要考虑数据增强、调参等细节。如果您需要更具体的代码实现或深入的解释，请告诉我。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值