基于CNN的花卉分类调参记录

本资源文件记录了基于卷积神经网络（CNN）对5类花卉植物数据进行分类的调参过程，逐步提升分类准确率。通过详细的调参记录，展示了如何通过数据增强、模型改进、自适应调整学习率等方法，逐步优化模型性能。

内容概述

1. 基本CNN模型：
   • 卷积层1：32个卷积核，大小5x5，步数1，激活函数ReLU，最大池化，步数2，输入150x150x3
   • 卷积层2：64个卷积核，大小3x3，步数1，激活函数ReLU，最大池化，步数2
   • 卷积层3：96个卷积核，大小3x3，步数1，激活函数ReLU，最大池化，步数2
   • 卷积层4：96个卷积核，大小3x3，步数1，激活函数ReLU，最大池化，步数2
   • 全连接层1：512个神经元，激活函数ReLU
   • 全连接层2：256个神经元，激活函数ReLU
   • 分类层：5个神经元，激活函数softmax
   • batch_size=16，epoch=50
   • 效果：识别率在65%左右，出现过度拟合
2. 数据增强：
   • 随机旋转范围10度，随机缩放0.9~1.1范围，水平和竖直偏移为范围0.2
   • epoch=50
   • 效果：识别率在77%左右，训练loss持续下降
3. 模型改进：
   • 添加权重衰减、Dropout层、批正则化层（BN）
   • epoch=150
   • 效果：识别率在83%左右
4. 自调整学习率：
   • 如果在5个epoch内验证识别率不增加，就让学习率变为原来的0.1倍
   • epoch=50，batch_size增加
   • 效果：识别率在85%左右
5. 增加CNN网络深度：
   • 在每个卷积层后面重复同样数量的2个卷积层
   • 效果：识别率提升0.5%~1%

总结

• 卷积核尺寸不能超过图像尺寸，否则训练效果不佳。
• 过拟合时，采用合适的数据增强十分有效，水平翻转比竖直翻转更有效。
• 预处理阶段，让X_train归一化具有一定效果。
• BN层和Dropout层的效果尤为明显。
• 深度网络的理解能力优于非深度网络，但深度增加并不一定能显著提升性能。
• 学习率的选择非常重要，自适应调整学习率是一种很好的方法。

通过本资源文件，您可以学习到如何通过逐步调参优化CNN模型，提升花卉分类的准确率。

下载链接

基于CNN的花卉分类调参记录