14、卷积神经网络模型训练与优化

卷积神经网络模型训练与优化

1. 模型拟合与评估

首先，我们将模型拟合到数据上。以下是具体的代码实现：

# fit model
history = model.fit(X_train, y_train, epochs = epochs, batch_size=batch_size, validation_data=(X_val, y_val))

运行上述代码后，我们可以得到卷积分类器在验证数据上的准确率为 97.72%。

接着，我们对卷积模型在测试数据上进行评估：

# evaluate model
loss, acc = model.evaluate(X_test, y_test)
print('Test loss:', loss)
print('Accuracy:', acc)

评估结果显示，模型在测试数据上的准确率为 97.88%，在验证数据上为 97.72%，在训练数据上为 99.74%。可以看出，该卷积模型与无池化的卷积模型性能相当，但参数减少了四倍。不过，从损失值可以明显看出，模型在训练数据上存在轻微的过拟合现象。

为了观察训练过程，我们绘制训练和验证指标的图表：

# plot training loss
loss_plot(history)

以下是完整的卷积池化模型的 Python 代码：

<