【卷积神经网络】构建对CIFAR-100数据集中的图像进行分类的CNN

原创最新推荐文章于 2026-04-18 18:52:08 发布 1.1w 阅读 AI写同款

744粉丝287篇原创

关注

让你的ResNet模型在Cifar100数据库上80%正确识别率（pytorch代码）有很多小伙伴们在用迁移学习在Cifar100上训练时候，其识别率非常低，有的20%多，有的60%。为什么有那么低的识别率呢？主要是训练策略问题，下面我们用ResNet34来测试Cifar100，看看最后的识别率能达到多少。顺便说一下ResNet的命名，比如ResNet34包括33个Conv2d和1个FC层（FC层就是该网络的输出特征层），共34个可以学习的层，其它的层不具备学习功能占用资源很少；ResNet101就包含100个Conv2d和1个FC层。第一步、将学习速率设置大一些（初始 lr=0.01）阅读详情

AI摘要

本文围绕CIFAR-100数据集图像分类展开，指出网上多数网络在该数据集上正确率在40 - 50%。作者构建了适合小白的CPU版本CNN，将准确率从30%提升到60%，介绍了改进方法，如增加网络深度、调整学习率等，还提及可从多方面进一步改进。

参考：

前言：

CIFAR-100数据集的网络网上的版本很多，有些跑起来也还可以，但是大多数都只能到40-50%左右的正确率。
有大佬做了各种网络，调好了参数，能达到80%左右的正确率。但是这里只是个小作业，希望用不要太复杂，不要太深的网络，最好在一小时内就能看到结果的，所以参照大佬的作品写了简化版本，能在50个epoch内达到60%左右正确率。

结果：

在这里插入图片描述
是CPU版本，适合不会调GPU的小白

cifar100数据集：

这个数据集有100个分类，每个分类图片数量只有600张对应图片，其中100张还要拿来做检验，所以要保证分类正确，cifar100的复杂度指数级高于cifar10（cifar10有10个分类，每个分类6000张照片，达到90%+的正确率不在话下，就算瞎猜，10个里猜对一个的概率也大于100个猜对1个的概率）

主要网络结构：

类VGG模型：
在这里插入图片描述

代码:

Jupyter-notebook：构建对CIFAR-100数据集中的图像进行分类的CNN

点击下载后在对应环境下运行，这里给出的notebook里已经有运行结果，可以直接看。

注意：
cifar100的下载可能很慢，可以自己下好了，改下代码，直接按路径读取。

from __future__ import print_function
from tensorflow import keras
from tensorflow.keras.datasets import cifar100
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D

import matplotlib.pyplot as plt
%matplotlib inline

# 下面的代码可以加载CIFAR-100数据集
# The data, shuffled and split between train and test sets:
(x_train, y_train), (x_test, y_test) = cifar100.load_data()
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

## Each image is a 32 x 32 x 3 的字符数组，由于在计算机中，每个图片的像素点颜色都是用0-255范围的数字表示的
## 32 x 32 x 3 数组表示 长度为32，高度为32，深度为3，也就是有三个通道，
## RGB就是记录了黄色，绿色，蓝色的三个通道的记录方法中的一种
x_train[444].shape
x_train[444]
## 展示一下训练前的图片
print(y_train[442])
plt.imshow(x_train[442]);
## 数据集分类为100个
num_classes = 100 
## 将整型的类别标签转为onehot编码，onehot编码是一种方便计算机处理的二元编码。
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical