33、构建真实世界的卷积神经网络：VGG-Face 与 VGG-Face Lite

构建真实世界的卷积神经网络：VGG-Face 与 VGG-Face Lite

1. CIFAR - 10 模型评估

在对 CIFAR - 10 数据集的卷积神经网络（CNN）进行评估时，我们可以通过绘制接收者操作特征（ROC）曲线来直观地了解模型的性能。以下是绘制 ROC 曲线的代码：

plt.plot(fpr[i], tpr[i], label='ROC curve of class {0} (area = {1:0.2f})'.format(test_names[i], roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
roc_mean = np.mean(np.fromiter(roc_auc.values(), dtype=float))
plt.title('ROC curve for CIFAR - 10 CNN '+str(epochs)+' iter Tensorflow (area = %{0:0.2f})'.format(roc_mean))
plt.legend(loc="lower right")
plt.show()

虽然模型的测试准确率约为 65%，可能会让人有些失望，但从整体来看，所有类别的微平均 ROC 达到了 80%，这表明模型的表现相当不错。除了猫、鸟和鹿这几个类别外，模型在其他类别上都有出色的表现。模型能够很