训练通常需要半小时的时间来进行,但是由于结果过度拟合,我们认为这个运行时间并不重要。与方法1进行比较,我们可以看到:虽然CNN的结果过度拟合,但我们仍然会得到一个方法1更好的结果。 第三种方法:重新训练 Inception V3 整个训练进度不超过10分钟。而我们可以取得非常好的成绩。基于此,我们实际上可以看到深度学习和迁移学习的巨大能量。 演示: 结论 基于上述的比较,我们可以得出这样的结论: KNN、SVM和BP神经网络是不能够很好地完成诸如图像分类这样的特定任务的。 虽然我们在CNN部分得到的结果过度拟合,但仍然比在课堂中学到的处理图像分类问题的其他方法要好得多。 迁移学习在图像分类问题上具有非常高的效率。无需GPU即可在短时间内准确快捷地完成训练。即使你有一个小的数据集,它也可以很好地防止过度拟合。 我们学到了一些非常重要的图像分类任务经验。这样的任务与我们上课时所做的其他任务完全不同。数据集相对较大而不稀疏,网络复杂,因此如果不使用GPU,运行时间会相当长。 裁剪或调整图像大小使其更小。 随机选择一个小批量进行每次迭代训练。 在验证集中随机选择一个小批量进行验证,在训练过程中经常报告验证的得分情况。 尝试使用图像增强将一组输入图像转换为一组新的,更大的,略有更改的图像。 对于图像分类任务,我们需要一个比200 x 10的更大的数据集,CIFAR10数据集包含6万张图像。 (责任编辑:本港台直播) |