CIF10图像分类准确率提高方法

1、数据增强

# 创建ImageDataGenerator实例
data_generate = ImageDataGenerator(featurewise_center=False,  # 将输入数据的均值设置为0
                                   samplewise_center=False,  # 将每个样本的均值设置为0
                                   featurewise_std_normalization=False,  # 将输入除以数据标准差，逐特征进行
                                   samplewise_std_normalization=False,  # 将每个输出除以其标准差
                                   zca_epsilon=1e-6,  # ZCA白化的epsilon值，默认为1e-6
                                   zca_whitening=False,  # 是否应用ZCA白化
                                   rotation_range=0,  # 随机旋转的度数范围，输入为整数
                                   width_shift_range=0.1,  # 左右平移，输入为浮点数，大于1时输出为像素值
                                   height_shift_range=0.1,  # 上下平移，输入为浮点数，大于1时输出为像素值
                                   shear_range=0.,  # 剪切强度，输入为浮点数
                                   zoom_range=0.1,  # 随机缩放，输入为浮点数
                                   channel_shift_range=0.,  # 随机通道转换范围，输入为浮点数
                                   fill_mode='nearest',  # 输入边界以外点的填充方式，还有constant,reflect,wrap三种填充方式
                                   cval=0.,  # 用于填充的值，当fill_mode='constant'时生效
                                   horizontal_flip=True,  # 随机水平翻转
                                   vertical_flip=False,  # 随机垂直翻转
                                   rescale=None,  # 重随放因子，为None或0时不进行缩放
                                   preprocessing_function=None,  # 应用于每个输入的函数
                                   data_format=None,  # 图像数据格式，默认为channels_last
                                   validation_split=0)

2、批正则化（batch normalization）：中文通常翻译为“批归一化”，是神经网络训练中的一种重要技术。它的主要目的是解决神经网络训练过程中的内部协变量偏移（Internal Covariate Shift）问题，通过对每一层神经网络的输入进行归一化处理，使得输入数据的分布更加稳定，从而提高模型的训练速度和精度。

x = keras.layers.BatchNormalization()(x) # 数据归一化

3、自定义学习率衰减

def scheduler(epoch):
    if epoch < epochs * 0.4:
        return learning_rate
    if epoch < epochs * 0.8:
        return learning_rate * 0.1
    return learning_rate * 0.01

 

 不进行数据增强

[0.7586379051208496, 0.7317000031471252]

进行数据增强

    进行数据增强后，测试集准确率降低

二、ResNet18

使用最简单的ResNet18网络进行训练，训练集准确率如下：

测试集loss、acc：  [0.7052783966064453, 0.7954000234603882]