先保留默认设置,完整运行一次。然后只把轮数改成5或40,比较 history.csv 的训练loss与验证loss:训练loss更低,不一定代表新照片识别得更好。 测试集留给最后评估,不用它挑参数。
这个小工程只有480张图片、一个很小的网络,适合学习完整流程;它可能依赖颜色或背景,也可能对新照片失败。参考结果来自实际执行,随工程提供,不保证换环境或数据后得到相同数值。
本章小结
图片与标签 → 设计CNN → 计算loss → 反向传播 → 更新参数 → 验证选权重 → 保存与预测。 这就是一次完整的监督学习项目。
下一章图像分类的经典网络,再看AlexNet、VGG和ResNet怎样把这些基本积木搭得更强。