cifar10数据集测试有多少张图_GitHub - 276428/cifar10-tensorflow: cifar10数据集上进行图片分类，基于tensorflow框架，旨在探究不同的改进策略对分...

如何提高图像分类准确率？

一、问题描述

本文使用的数据集是CIFAR-10数据集，该数据集有50000张图片，每张图片均为分辨率为32*32的彩色图片(分为3个信道)。分类任务需要分成青蛙、卡车、飞机等10个类别。本文设计一种卷积神经网络用于处理图像分类任务，接下来介绍基于卷积神经网络的分类模型，并且重点说明如果通过不同的技术一步步地提高分类准确率。

为了训练该网络，首先将数据分为训练集、验证集和测试集3个数据集，训练集样本个数为45000，验证集样本个数为5000，测试集样本个数为10000。CIFAR-10图像分类示例图像如图1。

图1、CIFAR-10数据集示例图像

二、分类模型

模型1——基本卷积网络

模型的输入数据是网络的输入是一个4维tensor，尺寸为(128, 32, 32, 3)，分别表示一批图片的个数128、图片的宽的像素点个数32、高的像素点个数32和信道个数3。首先使用多个卷积神经网络层进行图像的特征提取，卷积神经网络层的计算过程如下步骤：

卷积层1：卷积核大小3*3，卷积核移动步长1，卷积核个数64，池化大小2*2，池化步长2，池化类型为最大池化，激活函数ReLU。

卷积层2：卷积核大小3*3，卷积核移动步长1，卷积核个数128，池化大小2*2，池化步长2，池化类型为最大池化，激活函数ReLU。

卷积层3：卷积核大小3*3，卷积核移动步长1，卷积核个数256，池化大小2*2，池化步长2，池化类型为最大池化，激活函数ReLU。

全连接层：隐藏层单元数1024，激活函数ReLU。

分类层：隐藏层单元数10，激活函数softmax。

参数初始化：所有权重向量使用random_normal(0.0, 0.001)，所有偏置向量使用constant(0.0)，

使用cross entropy作为目标函数，使用Adam梯度下降法进行参数更新，学习率设为固定值0.001。

训练5000轮，观察到loss变化曲线、训练集准确率变化曲线和验证集准确率变化曲线如图2。测试集准确率为69.36%。

图2、模型1的loss