第T3周：天气识别

• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊

本文将采用CNN实现多云、下雨、晴、日出四种天气状态的识别。较上篇文章，本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。

1. 设置GPU

2. 导入数据

注意：复制文件地址时，需要把“\”改成“/”

3. 查看数据

输出结果：

二、数据预处理

1. 加载数据（将数据分为训练集和测试集并且打上标签）

输出结果：

训练集 900 预测集225 总共1125 分为了四类

通过 class name给他们打上标签

2. 可视化数据

3. 再次检查数据

输出结果：

4. 配置数据集

三、构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。

网络结构图：

输出结果：

四、编译

• 损失函数（loss）：用于衡量模型在训练期间的准确率。

• 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。

• 指标（metrics）：用于监控训练和测试步骤。（我的代码选择的是准确率）

五、训练模型

六、模型评估

1. 训练和验证准确率（左图）

• 训练准确率（蓝色线）显示了模型在训练数据上的表现。随着训练周期（epochs）的增加，训练准确率逐渐提高，最终接近0.95，表明模型能够很好地学习训练数据中的模式。
• 验证准确率（橙色线）显示了模型在未见过的数据（验证集）上的表现。验证准确率的波动较大，但总体趋势是上升的，最终略低于训练准确率。这可能表明模型在训练数据上表现良好，但在新数据上可能存在一些过拟合的风险。

2. 训练和验证损失（右图）

• 训练损失（蓝色线）表示模型在训练数据上的误差。随着训练的进行，训练损失持续下降，这表明模型正在学习减少预测误差。
• 验证损失（橙色线）表示模型在验证数据上的误差。验证损失的波动较大，且在后期有轻微上升的趋势，这可能是过拟合的迹象，即模型在训练数据上学习得太好，以至于不能很好地泛化到新数据。

综合分析

• 过拟合风险：如果训练准确率持续上升而验证准确率开始下降，或者验证损失开始上升，这可能是模型开始过拟合的迹象。
• 模型泛化能力：如果验证准确率和损失在一定范围内波动，这可能表明模型具有良好的泛化能力，能够在新数据上保持性能。
• 训练效果：训练损失的持续下降表明模型正在有效地学习训练数据中的模式。

建议

• 正则化：如果存在过拟合的迹象，可以尝试正则化技术，如添加dropout、使用数据增强或减少模型复杂度。
• 早停：如果验证损失在连续几个周期内不再下降，可以考虑使用早停来防止过拟合。
• 超参数调整：可能需要调整学习率、批次大小或模型架构等超参数，以优化模型性能。