CNN图像分类-源码

上传者: 42138545 | 上传时间: 2021-07-19 23:24:32 | 文件大小: 1.35MB | 文件类型: ZIP
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

文件下载

资源详情

[{"title":"( 12 个子文件 1.35MB ) CNN图像分类-源码","children":[{"title":"CNN-Image-Classification-master","children":[{"title":"rmsprop.PNG <span style='color:#111;'> 30.75KB </span>","children":null,"spread":false},{"title":"~$EP LEARNING PROJECT 1.docx <span style='color:#111;'> 162B </span>","children":null,"spread":false},{"title":"adadelta.PNG <span style='color:#111;'> 27.78KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 3.28KB </span>","children":null,"spread":false},{"title":"DEEP LEARNING PROJECT 1.docx <span style='color:#111;'> 501.98KB </span>","children":null,"spread":false},{"title":"DEEP LEARNING PROJECT 1.pdf <span style='color:#111;'> 483.36KB </span>","children":null,"spread":false},{"title":"convolution2.PNG <span style='color:#111;'> 122.04KB </span>","children":null,"spread":false},{"title":"convolution3.PNG <span style='color:#111;'> 124.09KB </span>","children":null,"spread":false},{"title":"adam.PNG <span style='color:#111;'> 24.38KB </span>","children":null,"spread":false},{"title":"convolution1.PNG <span style='color:#111;'> 131.27KB </span>","children":null,"spread":false},{"title":"DL_project1_pre_process.py <span style='color:#111;'> 2.06KB </span>","children":null,"spread":false},{"title":"dl_project1.py <span style='color:#111;'> 3.98KB </span>","children":null,"spread":false}],"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明