在前文中,我们搭建了Alexnet网络并用于Cifar-10数据集的训练与分类,可是对验证数据分类的准确率只达到56.59%,这个准确率对于比Lenet-5网络更复杂的Alexnet网络来说并不理想,在本文中,我们将在前文的基础上,尝试采取一些措施来提高网络对Cifar-10数据集分类的准确性。 基于libtorch的Alexnet深度学习网络实现——Alexnet...
3. 修改了Tensor张量的维度顺序(这一点最重要,之前犯了这个低级错误,导致准确率一直上不去)。 前文连接: 基于libtorch的Resnet34残差网络实现——Cifar-10分类mp.weixin.qq.com/s/J6SThPmE9aXtuhpB7H4YHg 网络结构调整 1. 首先是残差模块的调整: 原结构 修改之后的结构 我们知道,使用梯度下降法对神经网络...
CIFAR10 pytorch ResNet34 Train: EPOCH:150, BATCH_SZ:128, LR:0.1, ACC:92.64 train spend time: 2:22:26.691364 运行150个迭代,每个迭代耗时54秒,准确率提升了7%,达到92.6%。准确率变化曲线如下:
CIFAR10 pytorch ResNet34 Train: EPOCH:200, BATCH_SZ:128, LR:0.1, ACC:85.38 train spend time: 3:11:21.618257 运行200个迭代,每个迭代耗时54秒,准确率提升了5%,达到85%。准确率变化曲线如下:
用预训练的Resnet50，不到10轮训练精度就能升到90%以上。猜想加一些层效果更好。
cifar10数据集用普通CNN网络就可以达到不错的效果了。可以多增加几个conv层，最后的全连接参数量太多，...
pytorch识别CIFAR10:训练ResNet-34(自定义transform,动态调整学习率,准确率提升到94.33%) 2019-03-20 22:46 −... 碧水青山 0 4037 15、cifar10 2019-12-23 21:55 −1 import tensorflow as tf 2 from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics 3 from tensorflow import...
前面我们使用libtorch实现的Alexnet网络对Cifar-10数据集进行训练和分类,准确率仅达到72.02%。本文我们在前文的基础上做一定修改,使准确率达到91.01%。 前文链接: sdff:基于libtorch的Alexnet深度学习网络实现——Alexnet网络结构与原理3 赞同 · 0 评论文章
前面通过数据增强,ResNet-34残差网络识别CIFAR10,准确率达到了92.6。 这里对训练过程增加2个处理: 1、训练数据集做进一步处理:对图片随机加正方形马赛克。 2、每50个epoch,学习率降低0.1倍。 代码具体修改如下: 自定义transform: 1classCutout(object):2def__init__(self, hole_size):3#正方形马赛克的边长,像素...