31、构建真实世界的卷积神经网络：CIFAR - 10 模型优化与实现

构建真实世界的卷积神经网络：CIFAR - 10 模型优化与实现

1. 加载和准备 CIFAR - 10 图像数据

CIFAR - 10 数据集包含 50000 张训练图像，以 Python Pickle 格式存储。为了更好地训练卷积神经网络（CNN），我们需要对数据进行加载、清理和预处理。

1.1 数据加载和清理步骤

• 加载 Pickle 格式的数据到 Python 字典。
• 清理数据，包括将图像转换为灰度图以减少学习参数的数量，裁剪图像以减少背景噪声，并对图像进行归一化处理。

以下是实现这些功能的代码：

import pickle
import numpy as np

def unpickle(file):
    fo = open(file, 'rb')
    dict = pickle.load(fo, encoding='latin1')
    fo.close()
    return dict

def clean(data):
    imgs = data.reshape(data.shape[0], 3, 32, 32)
    grayscale_imgs = imgs.mean(1)
    cropped_imgs = grayscale_imgs[:, 4:28, 4:28]
    img_data = cropped_imgs.reshape(imgs.shape[0], -1)
    img_size = np.shape(img_data)[1]
    means = np.mea