【CNN】初识CNN之图像分类-1

共计 614 个字符，预计需要 2 分钟阅读。

以下来自ZJU某选修课作业，本系列将连续推出文章完成这项任务

作业目标

• 理解卷积神经网络的基本结构和工作原理
• 掌握使用CNN进行图像分类的流程

数据集和任务

使用CIFAR-10数据集。CIFAR-10是一个已建立的用于物体识别的计算机视觉数据集，它是8000万张微小图像数据集的一个子集，由60000张32×32彩色图像组成，包含10个对象类中的一个，每个类有6000张图像。

获取方法

• 从https://www.kaggle.com/c/cifar-10下载；
• 使用如下命令从keras库中导入数据集；
• 从pytorch库中直接导入；

from tensorflow.keras.datasets import cifar10

任务

用训练集里面的图片和类别标签训练出一个AI模型，使其能够对测试集中没有见过的图片正确分类（共10类）。

流程要求

数据预处理

加载数据集并进行你认为需要的预处理。

模型构建

使用Keras或PyTorch构建一个简单的CNN模型。模型应当包含至少2个卷积层和2个全连接层。

训练过程

需要选择合适的损失函数和优化器，设置恰当的训练参数（学习率、batch_size、epoch等），而后记录每个epoch的训练和验证的准确率。

评估与结果

在测试集上评估模型性能，并报告最终准确率。还需要可视化训练过程中的损失和准确率曲线。

报告撰写

在报告中需要有代码和运行结果，总结模型设计思路、训练过程参数及最终结果，讨论模型的优缺点及可能得改进方向。