CIFAR10-project

数据集来自于CIFAR-10 https://www.cs.toronto.edu/~kriz/cifar.html

CIFAR-10是多伦多大学的一个RGB图片数据集，像素尺寸为32x32,包含60000个样本，10个标签，每一个标签下包含6000个样本，内容为汽车，飞机及各种动物，

其中训练集包含50000个，测试集10000，两者分布完全相同，输入维度为（m,3,32,32）

v1版本网络结构：
    Flatten
    FC1（512）
    Relu1
    BN1
    
    FC2(128)
    Relu2
    BN2
    
    FC3（10）
    Softmax
    
    损失函数为catagorical_crossentropy,优化器为adam
    epoch=5,batchsize=64

最后结果：

训练集accuracy：0.5595 测试集accuracy: 0.49

v2版本网络结构:
    Conv1(32个filter,大小为5x5）
    Relu1
    Maxpooling1
    BN1
    
    Conv2(64个filter,大小为5x5）
    Relu2
    Maxpooling2
    BN2
    
    FC1(128)
    Dropout(0.75)
    
    FC2(10)
    Softmax
    
    epochs =100,batch_size=32
    结果非常不理想，即便调整了dropout的keep_prob，准确率也不高，同时过拟合现象严重，表明样本相对于特征还是太少，
    想象每个类只有5000个样本，而一张图片有三千个左右的特征，不对数据集做些处理很难提高精确度

结果： 训练集： 0.8808 测试集： 0.6869

v3版本是tensorflow官方提供的训练模型，也是含有两个卷积块，但是号称最高86%精确度，
与V2不同的是，该模型图片裁剪到24x24,大小只剩下一半左右，再对图片做白化处理，然后通过三种变化方式人为增加了训练集,具体网络结构为

conv1
pool1
norm1

conv2
norm2
pool2

FC1
FC2
softmax

结果： 经过了十个半小时的训练后，在测试集上确实得到了0.860的精确度

960跑这个真是苦不堪言...