cifar10数据集的相关读取，模型的建立，准确度的提高

当编程语言学习越深入，就会接触到各种各样的数据集读取的问题，数据集的格式有很多种，例如：.tar、cfg.....格式，本文是针对于cifar10数据集的训练具体情况

1.加载数据集

在这里，我把数据集分成了训练集和测试集，以便于后面的测试，然后对训练和测试集进行类型转换（这一步也可以适当省略），但是需要注意奥：在无网络情况下就不能这么去读取了奥，需要把相关的安装包移到相关路径进行读取。

2.构建模型

构建模型的方式有很多种，我是采用自定义按顺序层的方式，Conv2D为卷积层，MaxPooling2D为最大池化层，当然还可以试试均值池化层，不同的池化的影响作用都是不一样的。padding是模型的边缘处理格式，activation为激活函数（常见的激活函数：Sigmoid、Tanh、Relu）。

第一层的池化也叫输入层，imput_shape输入的大小根据自己加载的数据集情况，若不知数据集的大小问题，可以通过以下方式查看

另外，Dropout仅在池化层后使用，例如上述Dropout的值为0.2，则保留概率为0.8，然后 则使用全连接层，也相当于输出层，最后用model.summary()进行模型的查看

3.定义损失函数和优化器并对模型进行训练

涉及的损失函数很多，可以看看数据预处理的相关知识，不同的损失函数的损失值是不一样的，我采用的是绝对值的计算方式

优化器：

optimizer：优化器，用于控制梯度裁剪，常见的优化器：RMSprop、Adagrad、                                              Adam/Adamax/Nadam、
loss：损失函数，计算模型在训练期间应寻求最小化的数量
metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为                metrics 的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练                过程中。

训练模型：

model.fit( )函数返回一个History的对象，即记录了loss和其他指标的数值随epoch变化的情况

x：输入（train_images）
y：输出（train_labels）
batch_size：每一个batch的大小（批尺寸），即训练一次网络所用的样本数
epochs：迭代次数，即全部样本数据将被“轮”多少次，轮完训练停止

validation_split：(0,1)的浮点数，分割数据当验证数据，其它当训练数据（不设置也没有太大的影响）
validation_data：指定验证数据，该数据将覆盖validation_spilt设定的数据

4.loss函数和accuracy函数的变化图象

以上我取了一部分数据，所以准确率不是特别高，要想准确率较高，可以增加迭代次数或者增加数据集，然后调试相应的训练模型和参数

5.回调函数

首先建立训练和测试数据集的存储（不需要自己去创文件夹），建立了可视化数据再引用到训练模型中

在pycharm 的终端输入命令查看可视化内容，这里可能会出现输入命令报错的情况，我是采用python的绝对使用命令去执行，会出来一个网址，点击进去就是如下内容