CNN图像分类 在这个项目中,对图像分类的优化算法进行了研究。 卷积神经网络已被用来学习每组图像中存在的特征。 该项目还对网络学习的功能进行了研究。 该项目是使用Keras库实现的。 项目完成后得出的结论是: 正如我们在ADAM优化程序中看到的那样,训练数据过拟合,因此我们在训练数据集中获得了99%的准确性。 但是在验证数据集中,我们得到的最终精度约为83%。 由于数据过拟合,我们可以得出结论,该模型将记住输入图像模式,而不是从输入图像中学习。 因此,由于这个原因,我们在执行“ model.fit”函数时会不断减少训练损失,并增加验证损失。 在使用RMSProp优化器的情况下,训练精度会稳步提高,但由于训练精度不是很高,因此该模型确实适合数据。 验证准确性从头开始增加,并在一定时间后达到饱和。 在观察训练和验证损失图时,我们可以看到,两种损失都随着验证损失的尖峰增加而稳步下降。 使