CIFAR-10数据集比MNIST训练难度高许多

最新推荐文章于 2025-06-24 16:26:06 发布
最新推荐文章于 2025-06-24 16:26:06 发布
阅读量6.2k 收藏 2
点赞数 3
CC 4.0 BY-SA版权
分类专栏： deep learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36356761/article/details/79617467
CIFAR-10数据集的训练难度远高于MNIST，简单模型在MNIST上能轻松达到高精度，但在CIFAR-10上初期精度仅10%，需大量epoch提升至80%。数据预处理如像素值归一化对训练效果有显著影响，学习率的选择至关重要。此外，TensorFlow中重复使用变量名可能影响结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

CIFAR-10数据集比MNIST训练难度高许多

MNIST数据集几乎很好训练，随便设计一个两层的全连接网络都能达到将近90%的测试精度，加入卷积层后更是可以轻易达到>97%的精度，但是同样的模型用来训练CIFAR-10，训练相同的epoch之后得到的结果却只有10%，只有训练几十个epoch之后测试精度才能达到80%，其间的上升速度简直慢如蜗牛

cifar10数据像素值的取值范围在[0,255]，此时取learning_rate = 1e-3，loss可以比较有效地下降（输入之前减去训练集的图像均值）；但是对中心化的图像的像素值压缩到[0,1]时，要取learning_rate = 1e-1才行。
原因：以最简单的单全连接层为例，y=Wx+by=Wx+b，假设W,bW,b已经训练到了最佳参数，当xx 发生伸缩时，假设相应的scale参数是 k ，那么此时的最优模型为ky=W(k

最低0.47元/天 解锁文章

200万优质内容无限畅学
数据集：CIFAR-10、CIFAR-100、MNIST、SVHN、ImageNet、LSUN
m0_37957160的博客
12-26 3077
官网第一页写着CIFAR-10的来源：作者介绍CIFAR-10本质是从一个叫做【the 80 million tiny images dataset】（“8000万张小图”数据集）中精炼剥离出来的一部分，是该数据集的子集。结数据集的命名，国内网站搜不到CIFAR的含义，几番周折我在Alex2009年的科技报告第三章中找到了原因——anadiannstituteordvancedesearch加拿大高级研究所资助了Alex的这个项目，毕竟请学生打标签是需要pay的，
(学习笔记02) CNN对CIFAR-10图像数据集分类（tensorflow）
要多喝牛奶才能变成巨人
03-16 4876
(学习笔记02) CNN对CIFAR-10图像数据集分类（tensorflow） 本节将继续写学习机器学习的分类开发应用，我们将使用卷积神经网络对CIFAR-10数据集进行图像分类。 CIFAR-10数据集介绍 CIFAR-10 数据集共有60000张彩色图像，这些图像大小为32×32，分为10个类，每类6000张图。 总数量 图片尺寸 训练集数量 测试集数量 60000 32×32 50000 10000 整个数据集被分为5个training batches 和 1个test bat
mnist、cifar10试跑总结
maria5201314的博客
11-18 1121
一、 mnist在caffe上的学习与训练 1、参考薛开宇的学习笔记 2、由于公司未联网，所以直接下载数据库放在: /data/mnist  下面 3、运行./create_mnist.sh  生成对应的数据库       运行出错提示找不到文件，主要是路径不对，路径的表达方式：./example/mnist/create_mnist.sh 4、提示缺少什么库，一般是未将该库所
MNIST数据集 & CIFAR10数据集
hxxjxw的博客
05-22 2902
http://www.cs.toronto.edu/~kriz/cifar.html
MNIST数据集和CIFAR10数据集运用LeNet5模型
最新发布
qq_41689428的博客
06-24 780
LeNet-5是一个经典的卷积神经网络模型，用于手写数字识别，由两个卷积层和三个全连接层组成。数据集使用的是MNIST数据集。
深度学习-caffe在cifar10、mnist数据集cpu、gpu训练速度对比（deepin15.11+caffe+cpu+gpu+cifar10+mnist）
感性企鹅的专栏
09-05 1898
背景 gpu的训练速度优于cpu，那么到底快多少呢？本博客拿caffe、cifar10做一下测试。 机器配置 系统：deepin 15.11 cpu：i7 7700 内存：32G 2400hz 显卡：gtx1080（中端） gpu训练数据 cpu训练数据 耗时 = 17:16:00 - 17:23:39 = 8分钟 ...
[dataset]MNIST，CIFAR-10
gdtop的个人笔记
02-13 1655
本篇记录深度学习相关的各种数据集的下载 一、MNIST手写体数据集 ①可以不用下载，在keras.datasets包中直接调用 from keras.datasets import mnist ② class MNISTDataSet: def __init__(self, use_split=False, split_rate=0.15, random_state=42,...
MNIST与CIFAR10、100数据集比较
盏茶AI
05-14 7642
在涉及目标分类，深度学习理论的基本验证过程，会接触到两类基本的数据集，MNIST、CIFAR10和CIFAR100，熟悉了解这两类数据集的特性对后续的实验是十分重要的，本文主要介绍它们的区别， 基本介绍 MNIST：10类共70000张28x28的0-9的手写数字图片，每类有7000张图片，其中60000张为训练集，10000张为测试集。 CIFAR10：10类共60000张32x32彩色图...
PyTorch搭建神经网络——CIFAR-10数据集
irene@1999的博客
07-30 6660
文章目录CIFAR-10介绍下载数据集处理transforms.Compose简单的卷积池化全连接step1残差网络残差网络介绍ResNet18 CIFAR-10介绍 CIFAR-10是一个包含60000张图片的数据集。其中每张照片为32*32的彩色照片，每个像素点包括RGB三个数值 所有照片分属10个不同的类别，分别是airplane、automobile、bird、cat、deer、dog、f...
Tensorflow学习笔记：CNN篇（3）——CIFAR-10数据集的CNN实现
Laurenitum0716的博客
02-11 3750
Tensorflow学习笔记：CNN篇（3）——CIFAR-10数据集的CNN实现 前序 —在前面的介绍中，使用卷积神经网络对MNIST数据集做了应用，然而MNIST数据集仅限于对手写数字的识别，而且手写数字相对于自然物体和图片非常简单，也缺少相应的噪声和变换。 —本文将使用CNN对CIFAR-10数据集进行验证，同时会比较不同参数作用下卷积神经网络对准确率产生的影响。 C...
tf.keras.datasets mnist和cifar10的区别
weixin_41958107的博客
07-01 601
1. mnist：要在load_data中写具体的pathcifar10：不用写path2. mnist原始数据是三维，需要用tf.newaxis来增加一个维度cifar10原始数据是四维，不用增加维度
神经网络之MNIST数据集和CIFAR-10数据集训练
y459541195的博客
12-09 3971
环境：pycharm + win10 + conda3 + python3.6 1.构建前馈神经网络训练MNIST 首先创建一个神经网络类NeuralNetwork： import numpy as np #定义一个神经网络类 class NeuralNetwork: #初始化参数 def __init__(self,layers,alpha=0.1): self....
MNIST数字识别问题之二——神经网络模型训练及不同模型结果对比
xuesuoziluoshu的博客
01-28 2340
1.TensorFlow训练神经网络 在神经网络的结构上，深度学习一方面需要使用激活函数实现神经网络模型的去线性化，另一方面需要使用一个或多个隐藏层使得神经网络结构更深，以解决复杂问题。在训练神经网络时，可以使用带指数衰减的学习率设置、使用正则化来避免过度拟合，以及使用滑动平均模型来使得最终模型更加健壮。以下代码给出一个在MNIST数据集上实现这些功能的完整TensorFlow程序。 #codin...
深度学习_调参经验
weixin_30498921的博客
08-22 830
面对一个图像分类问题，可以有以下步骤： 1.建立一个简单的CNN模型，一方面能够快速地run一个模型，以了解这个任务的难度 卷积层1：卷积核大小3*3，卷积核移动步长1，卷积核个数64，池化大小2*2，池化步长2，池化类型为最大池化，激活函数ReLU。 卷积层2：卷积核大小3*3，卷积核移动步长1，卷积核个数128，池化大小2*2，池化步长2，池化类型为最大池化，激活函数R...
神经网络初识-以MINST数据集和CIFAR10数据集为例
apple_52030329的博客
07-16 1228
网络的结构如下，输入层一共28*28=784个神经元，隐藏层共15个神经元（这里可以自由设置），输出层一个十个神经元，分别代表十个数字（0~9）。对于上图中的神经网络结构，假设我们随机初始化各个神经元的权值，并且将手写数字图片”9“传入到网络中，可以预见网络大概率并不会得到正确答案，但是我们可以通过不断调整权值来让它输出正确的结果。
cifar10数据集
dididisailor的博客
11-12 281
第一次使用密集连接（mnist手写字方法）对cifar10分类得到的结果，精度只有38.22% ，欠拟合 第二次使用卷积神经网络，训练精度64%，测试精度56%  待续...
简单记录VGG网络，pytorch+VggNet+CIFAR10
热门推荐
子根的博客
07-28 1万+
数据集使用的是CIFAR10，cifar10这个数据集一共有50000张训练集，10000张测试集，两个数据集里面的图片都是png彩色图片，图片大小是32x32x3，一共是10分类问题，分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。这个数据集是对网络性能测试一个非常重要的指标，可以说如果一个网络在这个数据集上超过另外一个网络，那么这个网络性能上一定要比另外一个网络好，目前这个数据集最好的结果是95%左右的测试集准确率。下载完，解压到目录里就行了。...............
caffe学习（五）：cifar-10数据集训练及测试（Ubuntu）
hongbin_xu的博客
07-30 8945
简介CIFAR-10数据集包括由10个类别的事物，每个事物各有6000张彩色图像，每张图片的大小是32*32。 整个数据集被分成了5个训练集和1个测试集，各有10000张图片，即50000张图片用于训练，10000张图片用于测试（交叉验证）。 网站链接：CIFAR-10下载数据注意：默认用$CAFFE_ROOT表示caffe的根目录。 输入指令：cd $CAFFE_ROOT ./data/
Pytorch：VGG16训练CIFAR10数据集出现bug之总结
m0_52347246的博客
12-09 3135
@Pytorch：VGG16训练CIFAR10数据集出现bug之总结 从github上下载的源码是LeNet训练Mnist数据集,我寻思着我用vgg16网络训练一下cifar10数据集试试呗。然后就是疯狂的出现各种各样的bug,de完一个又一个，人生真的是不停的debug啊。还好，经过不懈的努力与坚持，终于vgg16训练cifar10获得了成功。现在总结一下我实现过程中出现的问题，供我后面复习以及大家学习。 bug1:网络可以跑起来，但是无论训练多少epoch,训练时损失率不下降，准确率保持不变，一直是10
Keras官方发布Python版本Cifar10数据集解析
CIFAR-100在类别数量上比CIFAR-10多，但每个类别的图片数量相对较少，因此CIFAR-100在难度上较CIFAR-10更高，特别适用于需要更细致分类的场景。 在进行深度学习实验时，除了Keras自带的数据集之外，还可以使用如...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值