8、图像分类模型优化与迁移学习实践

图像分类模型优化与迁移学习实践

1. 模型优化探索

在图像分类任务中，我们不断尝试优化模型以提高准确率。起初，我们发现单纯增加卷积层并不能有效提升模型性能，例如之前模型的准确率为 69.65%，增加卷积层后准确率仅提升到 70.13%，几乎没有明显改善。

1.1 引入 Dropout 层的第四模型

为了进一步优化模型，我们尝试引入 Dropout 层。Dropout 的原理是在训练过程中随机丢弃网络中的一些单元及其连接，这样可以减少每次训练步骤中的参数数量，起到正则化的作用。以下是第四模型的定义代码：

model_4 = Sequential([
    Conv2D(32, (3, 3), activation = 'relu', kernel_initializer = 'he_uniform', padding = 'same', input_shape = (32, 32, 3)),
    Conv2D(32, (3, 3), activation = 'relu', kernel_initializer = 'he_uniform', padding = 'same'),
    MaxPooling2D((2, 2)),
    Dropout(0.2),
    Conv2D(64, (3, 3), activation = 'relu', kernel_initializer = 'he_uniform', padding = 'same'),
    Conv2D(64, (3, 3), activation = 'relu', kernel_initializer = 'h