知识卡片
CIFAR-10 图像分类器全流程
本章用 CIFAR-10 演示 CNN 分类流程。CIFAR-10 含 10 类共 6 万张 32×32×3 图像,分五个批量文件,每文件 1 万张、展平为 10000×3072,需 reshape 成 (1e4,3,32,32) 再 transpose 成 (1e4,32,32,3)。预处理用 np.eye 单热编码、除以 255 归一、shuffle 混洗、yield 分批。建模以四维占位符接收批量,堆叠 conv(64→128→128→256→512)与 2×2 最大池化,展平后接 1024、512、256 三个带 dropout 的全连接层,末端无激活输出层配 softmax 交叉熵与 Adam,按 epoch 训练保存。参见 [[CNN 的图像基础与分层架构]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- CNN 架构 第一个 CNN:CIFAR-10 图像分类器 · 查看原书依据
CIFAR-10 数据集具有属于 10 类的图像-飞机,汽车,鸟,马,猫,狗,鹿,青蛙,船和卡车。 CIFAR-10 每个类别中有 6,000 张图像。 这意味着它总共有 60,000 张图像。 50,000 张图像用于训练,10,000 张图像用于测试。 每个图像的尺寸为 32 x 32 x 3,并且每个图像都是 RGB 颜色。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文给出 CIFAR-10 的规模、批量文件格式与从 reshape 到 Adam 训练的代码链,支撑该流程可完整复现分类器的结论。
- 原始内容:CIFAR-10 数据集具有属于 10 类的图像-飞机,汽车,鸟,马,猫,狗,鹿,青蛙,船和卡车。 CIFAR-10 每个类别中有 6,000 张图像。 这意味着它总共有 60,000 张图像。 50,000 张图像用于训练,10,000 张图像用于测试。 每个图像的尺寸为 32 x 32 x 3,并且每个图像都是 RGB 颜色。