CNN模型，对CIFAR100数据集进行分类_CNN-CIFAR100.zip

# CNN-CIFAR100 # CNN模型，对CIFAR100数据集进行分类，三连球球啦！ (1)Tensorflow库构建CNN模型(下文简称CNN_tensorflow) 1)导入必要的库。题目要求使用Tensorflow库构建CNN模型。这里使用了 TensorFlow 和 Keras 库，以及 numpy 和 matplotlib 库用于数据处理和可视化。 ```python import tensorflow as tf from tensorflow import keras import numpy as np from keras.datasets import cifar100 import matplotlib.pyplot as plt ``` 2)加载 CIFAR-100 数据集 ```python (x_train, y_train),(x_test, y_test) = cifar100.load_data(label_mode='fine') ``` 这里使用了 Keras 提供的 CIFAR-100 数据集加载函数。 在 cifar100.load_data() 函数中，label_mode 参数用于控制标签的加载方式。CIFAR-100 数据集中有两种标签，一种是精细标签（fine labels），共有100个类别，另一种是粗略标签（coarse labels），共有20个类别，每个粗略类别下面包含5个精细类别。因此，label_mode 参数可以取两个值：'fine' 和 'coarse'。 当 label_mode='fine' 时，load_data() 函数将加载精细标签，返回的训练集标签和测试集标签是包含类别序号（0-99）的一维数组。当 label_mode='coarse' 时，load_data() 函数将加载粗略标签，返回的训练集标签和测试集标签是包含粗略类别序号（0-19）的一维数组。 在上述代码中，label_mode='fine' 表示加载精细标签，即返回一个包含0-99之间整数的一维数组，每个整数代表一个类别。这样可以更准确地识别物体，因为共有100个不同的类别。 3)将训练集和测试集的像素值类型从整数转换为单精度浮点数类型。将像素值归一化到 [0, 1] 的范围内。使用了 Numpy 库提供的 astype() 函数来进行数据类型转换。 ```python x_train = x_train.astype('float32') x_test = x_test.astype('float32') x_train = x_train / 255.0 x_test = x_test / 255.0 ``` 这是一个常见的数据预处理步骤，通常是为了将像素值归一化到 [0, 1] 的范围内，以便更好地进行模型训练。浮点数比整数更适合进行数学计算,在深度学习中，通常使用浮点数来存储数据。 4)定义卷积神经网络模型，包含两个卷积层、一个池化层、一个全连接层和一个 softmax 层。这里使用了 Keras 提供的 Sequential 模型，将各个层按顺序添加到模型中。 ```python model = keras.Sequential([ keras.layers.Conv2D(32, (3, 3), strides=1, activation='relu', input_shape=(32, 32, 3)), keras.layers.Conv2D(64, (3, 3), activation='relu'), keras.layers.MaxPooling2D((2, 2)), keras.layers.Dropout(0.5), keras.layers.Flatten(), keras.layers.Dense(128, activation='relu'), keras.layers.Dropout(0.5), keras.layers.Dense(100, activation='softmax') ]) ``` 在上述示例代码所构建地CNN模型中，各个层的功能如下： Conv2D层：它有32个3x3大小的过滤器，步幅为1，激活函数为ReLU，输入形状为（32,32,3），表示输入数据是RGB图像。 Conv2D层：它有64个3x3大小的过滤器，激活函数为ReLU。这个卷积层的作用是将特征进一步提取出来。 MaxPooling2D层：使用2x2的池化窗口，从卷积层输出中提取最大值。它将卷积层的输出减小一半，减少了模型中的参数数量和计算负担。这里的大小为（2,2），表示每个2x2的像素块被压缩为单个像素，其值为所包含像素的最大值。 Dropout层：有助于减轻过拟合。dropout 可以将一定比例的输入单元随机设置为0，从而防止过度依赖于特定的输入单元。这里随机将50%的输入单元设置为0。 Flatten层：将卷积层输出的多维张量展平为一维张量，用于传递给全连接层。这是因为完全连接的层需要一维输入。 Dense层：包含128个神经元，应用ReLU激活函数。这个层接收来自之前的卷积和池化层的特征，并使用它们来学习数据的高级表示。 Dropout层：再次进行防止过拟合，随机将50%的输入单元设置为0。 Dense层：具有100个神经元和softmax激活函数。这是我们的输出层，用于分类任务。这里是100个类别的分类任务，因此我们有100个神经元，每个神经元代表一个类别。softmax 函数将每个神经元的输出转换为介于0和1之间的概率分布，以便可以解释为每个类别的预测概率。 下图是系统生成的模型结构图（含DROP_OUT层）和参数数量：   5)编译模型，定义损失函数和优化器。 ```python model.compile(optimizer=keras.optimizers.Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy']) ``` model.compile 是 Keras 中用来编译模型的函数，它有三个重要的参数： optimizer: 优化器用来根据损失函数来更新模型的权重参数，使得模型的损失函数值不断降低，是用来指定训练过程中使用的优化算法，如 SGD、Adam 等。在本实例代码中，keras.optimizers.Adam() 表示使用 Adam 优化器，它是一种常用的随机梯度下降法变体，可以自适应地调整每个参数的学习率，以便更有效地优化模型。 loss: 损失函数，用来衡量模型的预测值与真实值之间的差异，作为优化算法的目标函数。在本示例代码中，sparse_categorical_crossentropy 是一种交叉熵损失函数，它在多分类问题中经常被使用。sparse_categorical_crossentropy 是一个分类问题的损失函数，适用于类别标签为整数编码的情况。 metrics: 评价指标，用来衡量模型的性能，如准确率、精确率、召回率等。在本例中，metrics=['accuracy'] 表示我们希望用准确率来衡量模型的性能。准确率指模型预测正确的样本数与总样本数的比例。因此，模型在训练过程中会输出每个 epoch 结束时的训练集和测试集准确率，以便我们可以了解模型的训练情况。 6)训练模型，使用 fit() 函数进行模型训练。这里设置了 10 个 epoch，即模型会对训练数据进行 10 次迭代训练。 ```python history = model.fit(x_train, y_train, epochs=10) ``` 7)在测试集上评估模型，使用 evaluate() 函数计算模型在测试集上的损失和准确率。 ```python test_loss, test_acc = model.evaluate(x_test, y_test) print('Test acc: %f' % test_acc) ``` (2)CNN_tensorflow实验结果 (1)直接输出结果 不加入DROP_OUT层:  加入DROP_OUT层:  (2)CNN_tensorflow在加入和不加入DROP_OUT层情况下的训练集上的loss和accuracy： 不加入DROP_OUT层:  加入DROP_OUT层:  发现加入DROP_OUT层之后，在训练集上的训练效果变差了，loss远大于不加入DROP_OUT层的情况；accuracy远小于不加入DROP_OUT层的情况，并且数值仅仅达到前者一半左右。 (3)CNN_tensorflow在加入和不加入DROP_OUT层情况下的测试集上的loss和accuracy： 不加入DROP_OUT层: ![image](https://github.com/neuljh/CNN-CIFAR100/assets/1329