Pytorch图片分类器

实验设置：

• 训练数据为Cifar-10,训练数据50000帧2242243的图片，测试数据10000帧2242243图片
• 损失函数为交叉熵
• Optimmizer为SGD，其中lr=0.001，未使用学习率衰减
• 搭建了VGG16模型
• 数据增强：未使用数据增强

评价标准：

Precision:TP/(TP+TN)

评估结果：

Train_loss:

Train_precision:

Val_loss:

Val_precision:

实验结论：

• 本次实验在训练集上precision约99%，在验证集上约69%，即模型的泛化性不好，可以通过训练时使用数据增强来增强泛化性。
• Cifar-10数据集中图像的尺寸比较小，经过vgg16多次卷积后图像尺寸都变为1，会在全连接层之前就丢失了位置信息，所以可以将模型换为Resnet50等具有跳层链接的网络可以会好些。
• 若还要对模型进行改进，应该增加评价指标，多分类的recall,f1,map等指标来进行评估，再对误检、漏检数据进行分析才好进一步改进。