retinanet训练自己的数据（retinanet训练自己的数据集）

编程日记 • 2025-03-25 23:51 • 阅读 13

①掌握梯度下降法的优化算法；
②能够使用tf.keras构建Sequential模型，完成多分类任务。

①下载MNIST数据集，建立神经网络模型，实现对MNIST手写数字数据集的识别，调整超参数和训练参数，并以可视化的形式输出模型训练的过程和结果；
②下载Fashion MNIST数据集，建立神经网络模型，实现对Fashion MNIST数据集的分类，调整超参数和训练参数，并以可视化的形式输出模型训练的过程和结果。

使用神经网络模型，实现对MNIST手写数字数据集的识别，并测试模型性能，记录和分析结果。
要求：
(1)编写代码实现上述功能；
(2)记录实验过程和结果：
调整超参数和训练参数，使模型在测试集达到最优的性能，并以恰当的方式记录和展示实验过程和结果。
(3)分析和总结：
这个模型中的超参数有哪些？训练参数有哪些？结合训练过程，说明它们对模型性能的影响。
(4)保存上述训练好的模型，并使用它对自制的手写数字图像的识别(自制的手写数字图像见期中试题题目二)。
① 代码

② 结果记录
在这里插入图片描述

③ 实验总结

使用神经网络模型，实现对Fashion MNIST数据集的分类，并测试模型性能，记录和分析结果。
要求：
(1)编写代码实现上述功能；
(2)记录实验过程和结果：
调整超参数，综合考虑准确率、交叉熵损失、和训练时间等，使模型在测试集达到最优的性能，并以恰当的方式记录和展示实验结果。
(3)分析和总结：
这个模型中的超参数有哪些？简要说明你寻找最佳超参数的过程，并对结果进行分析和总结。
① 代码

② 结果记录
在这里插入图片描述

③ 实验总结

使用低阶API实现Softmax函数和交叉熵损失函数，并使用它们修改题目二。
① 代码

② 实验结果
在这里插入图片描述

4.实验小结&讨论题
请结合题目1-3回答下述问题：
①什么是小批量梯度下降法？每个小批量中的样本数对迭代次数有何影响？
答：小批量梯度下降，是对批量梯度下降以及随机梯度下降的一个折中办法。其思想是：每次迭代使用 batch_size 个样本来对参数进行更新。在小批量梯度下降法中，每个批中的所有样本共同决定了本次迭代中梯度的方向。

②可以从哪些方面对梯度下降法进行优化？典型的优化方法有哪些？它们对模型训练过程有何影响？
答：从批量大小Batch Size、学习率、梯度估计三个方面进行优化。典型的算法有Momentum-动量、Nesterov-加速梯度下降法、Adagrad-自适应梯度、Adadelta、RMSprop、Adam-自适应矩估计、AdaMax、 Nadam-加速自适应矩估计、Lookahead。

③在设计神经网络时，为MNIST设计的神经网络是否可以直接应用到Fashion-MNIST上？请从数据集的图片大小，样本数以及分类数等角度解释这个现象
答：可以直接使用。Fashion-MNIST 的图片大小，训练、测试样本数及类别数与经典 MNIST完全相同。

④Fashion-MNIST创建之初希望替代MNIST数据集，比较相同的神经网络在这两个数据集上的准确率，并思考在模型评估方面，使用Fashion-MNIST数据集有什么优势?
答：MNIST数据集过于简单，可以在MNIST数据集成功的模型在别的数据集未必可以成功，不具有准确性，而Fashion-MNIST数据集更为复杂，可以更好的训练模型。

retinanet训练自己的数据（retinanet训练自己的数据集）

相关推荐