以95％的精度构建CNN模型

介绍

如果你决心制作一个CNN模型，使其准确性达到95％以上，那么这可能是适合你的博客。

我们将分三部分解决这个问题

• 迁移学习

• 数据扩充

• 处理过拟合和欠拟合问题

迁移学习

迁移学习是通过从已经学习的相关任务中迁移知识来改进新任务中学习的方法。

用简单的话来说，迁移学习的思想是，我们使用从图像分类任务中预先训练的模型，而不是从头开始训练新模型。

为什么要使用迁移学习？

迁移学习是一种优化，是节省时间或获得更好性能的捷径。

通常，在模型开发和评估之前，在领域中使用迁移学习不会有好处。但是在大多数情况下，迁移学习比起从头训练的模型提供更好的结果

迁移学习的主要好处是：

• 更高的起点：源模型的初始点（在精炼模型之前）比其他方法要高。

• **更高的斜率：**在对源模型进行训练的过程中，其提高速度为比其他情况更快。

• **更高的渐近线：**训练后的模型收敛要优于其他方式。

此图总结了上述的3个点，你可以看到将迁移学习应用于模型时，训练从更高的点开始，从而更快地达到更高的准确度。

Tensorflow中的迁移学习