卷积神经网络实践-猫狗分类

写在前面

本文主要参考的是飞桨上的一个模型https://aistudio.baidu.com/aistudio/projectdetail/78960?channelType=0&channel=0

这个模型里面，就是简单的三次卷积层加上全连接层，最后softmax分一下类，最后效果一般，后来在一篇博客上看到看到vgg网络对简单分类效果会比较好，就尝试更换vgg-13，没想到正确率提升了20%，当然不足也有很多，就比如为了偷懒没有多尝试几个模型实验，看情况以后会补上

1.摘要
近年来，深度学习理论和技术都得到了迅速的发展，并且受到了越来越多的研究者的关注，深度学习技术在图像识别领域具有广泛的应用。尤其是在特征提取和建模上有着非常明显的优势浅层对比模型。现在已经有了非常多的经典成熟模型，如AlexNet、VGG13、VGG16、VGG19和ResNet等，但未必适用于所有的试验数据集。本文运用卷积神经网络（CNN）依靠PaddlePaddle深度学习框架结合CIFAR10数据集训练和建立猫狗识别模型，在较成熟的VGG13模型基础实现，采用的优化方法为Adam优化方法。

2. 卷积神经网络

传统CNN包含卷积层、全连接层等组件，并采用softmax多类别分类器和多类交叉熵损失函数，一个典型的卷积神经网络如图6所示，我们先介绍用来构造CNN的常见组件。

卷积层(convolution layer): 执行卷积操作提取底层到高层的特征，发掘出图片局部关联性质和空间不变性质。

池化层(pooling layer): 执行降采样操作。通过取卷积输出特征图中局部区块的最大值(max-pooling)或者均值(avg-pooling)。降采样也是图像处理中常见的一种操作，可以过滤掉一些不重要的高频信息。

全连接层(fully-connected layer，或者fc layer): 输入层到隐藏层的神经元是全部连接的。

非线性变化: 卷积层、全连接层后面一般都会接非线性变化函数，例如Sigmoid、Tanh、ReLu等来增强网络的表达能力，在CNN里最常使用的为ReLu激活函数。

Dropout: 在模型训练阶段随机让一些隐层节点权重不工作，提高网络的泛化能力，一定程度上防止过拟合。

另外，在训练过程中由于每层参数不断更新，会导致下一次输入分布发生变化，这样导致训练过程需要精心设计超参数。如2015年Sergey Ioffe和Christian Szegedy提出了Batch Normalization (BN)算法中，每个batch对网络中的每一层特征都做归一化，使得每层分布相对稳定。BN算法不仅起到一定的正则作用，而且弱化了一些超参数的设计。经过实验证明，BN算法加速了模型收敛过程，在后来较深的模型中被广泛使用。

3.实验及结果分析

3.1实验环境与数据集
本实验是在基于Anaconda的环境管理工具、paddle深度学习框架和Pycharm的编译器上进行设计实现的。研究环境如下所示：
（1）软件部分
操作系统：Windows10 64位系统；开发工具：Pycharm、Anaconda；CUDA：V11.7_win10；paddle-gpu：2.3.2 ；
（2）硬件部分
内存：16G；CPU：AMD Ryzen 7 5800H 3.20 GHz；GPU：NVIDIA GeForce GTX 1650；硬盘：固态硬盘:512G。

（3）数据集部分

我们使用CIFAR10数据集。CIFAR10数据集包含60,000张32x32的彩色图片，10个类别，每个类包含6,000张。其中50,000张图片作为训练集，10000张作为验证集。这次我们只对其中的猫和狗两类进行预测。

3.2损失函数

本文采用的是交叉熵损失函数，该函数在分类任务上比较常用。

3.3网络模型

CNN有着多种可供选择的网络结构，其中包括有LeNet、AlexNet、VGGNet 、ResNet 等。其中VGGNet 是由牛津大学的视觉几何组和谷歌的DeepMind 公司提出，通过VGGNet，研究人员证明了基于小尺寸卷积核，增加网络深度可以有效提升模型效果。VGGNet 引入“模块化”设计思想，将不同的层进行简单组合构成网络模块，再用模块来组装完整网络，而不再以“层”为单元组装网络。VGGNet 有着多种配置方案，本文采用VGG-13，也就是B型VGG结构。

3.4实验结果

随着迭代次数增加损失逐渐减少，精确率逐渐提高

实验精确率acc最终稳定在0.83左右，较为优越

对于6张图片的识别，5张识别正确

4.总结

本文运用卷积神经网络在CIFAR10数据集的基础上，运用VGG13模型训练和建立猫狗识别模型，获得了较为优越的实验结果。

卷积神经网络实践-猫狗分类相关推荐

使用卷积神经网络实现猫狗分类任务
一.数据集下载链接二.基础环境配置三.训练及测试过程使用卷积神经网络在猫狗分类数据集上实现分类任务. 一.数据集下载链接猫狗分类数据集链接 → 提取码:1uwy. 二.基础环境配置 W ...
【新手入门】课程6-卷积神经网络实践-猫狗分类
图像分类是根据图像的语义信息将不同类别图像区分开来,是计算机视觉中重要的基本问题猫狗分类属于图像分类中的粗粒度分类问题实践总体过程和步骤如下图首先导入必要的包 paddle.fluid---&g ...
基于Keras的卷积神经网络用于猫狗分类(未进行数据增强)+卷积层可视化
首先看数据集路径: cats和dogs存放的就是各种大小的猫狗图片. 读取数据集代码: import os import matplotlib.pyplot as plt ""&q ...
基于Keras的卷积神经网络用于猫狗分类(进行了数据增强)+卷积层可视化
接着我上一篇博客,https://blog.csdn.net/fanzonghao/article/details/81149153. 在上一篇基础上对数据集进行数据增强.函数如下: "&q ...
Top2：CNN 卷积神经网络实现猫狗图片识别二分类
Top2:CNN 卷积神经网络实现猫狗图片识别二分类系统:Windows10 Professional 环境:python=3.6 tensorflow-gpu=1.14 ```python &qu ...
用卷积神经网络实现猫狗图片分类
该例程使用数据集来源于 kaggle cat_VS _dog 数据集中的一部分, 用卷积神经网络实现猫狗图片二分类,例程序比较简单,就不多解释了,代码中会有相应的注释,直接上代码: import nu ...
基于卷积神经网络的猫狗识别
卷积神经网络的猫狗识别任务需求环境配置识别猫狗实例首先导入库数据预处理: 读取数据: 定义网络: 调整机器学习率定义训练过程训练开始训练结果用于测试代码结果任务需求按照 htt ...
Keras深度学习使用VGG16预训练神经网络实现猫狗分类
Keras深度学习使用VGG16预训练神经网络实现猫狗分类最近刚刚接触深度学习不久,而Keras呢,是在众多的深度学习框架中,最适合上手的,而猫狗的图像分类呢,也算是计算机视觉中的一个经典案例,下面 ...
【实战】kaggle猫狗大战-卷积神经网络实现猫狗识别
卷积神经网络:猫狗识别目录第一步:导入数据集第二步:数据预处理第三步:迁移学习第四步:模型保存第五步:模型融合第一步:导入数据集 kaggle猫狗大战数据集地址:kaggle # 将ka ...

卷积神经网络实践-猫狗分类

卷积神经网络实践-猫狗分类相关推荐

最新文章

热门文章