20、卷积神经网络：图像增强、全局池化与音频分类

卷积神经网络：图像增强、全局池化与音频分类

1. 图像增强在北极野生动物图像分类中的应用

在训练卷积神经网络（CNN）时，为了提高模型的准确性和泛化能力，我们可以对训练图像进行数据增强处理。具体来说，训练CNN所使用的每张图像的像素值会先除以255，然后进行随机翻转、平移、旋转和缩放操作。需要注意的是， RandomFlip 、 RandomTranslation 、 RandomRotation 和 RandomZoom 层仅在训练图像时起作用，在网络验证或进行预测时它们是不活跃的。而 Rescaling 层则始终处于活跃状态，这意味着我们在训练模型或提交图像进行分类之前，无需再手动将像素值除以255。

以下是一个使用图像增强进行北极野生动物图像分类的示例：

import numpy as np
from tensorflow.keras.applications.resnet50 import preprocess_input
from tensorflow.keras.applications import ResNet50V2
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense, Rescaling, RandomFlip
from tensorflow.keras.layers import RandomRotation