学习迁移实验报告.docxVIP

下载本文档

28
0
约小于1千字
约 1页
2023-03-27 发布于湖南
举报
版权申诉

学习迁移实验报告.docx

1、本文档共1页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

学习迁移实验报告迁移学习是一种可以从一个特定任务中学习到知识，再将该知识应用到另一个任务上的机器学习技术。本次实验采用ResNet、VGGNet、GoogleNet等深度学习模型，进行迁移学习，用来分析芝士图像的质量。首先，我们将高质量芝士图像数据标记为1，低质量芝士图像数据标记为0，构建一个二分类问题。对图像进行加载，经过paddling和resize 操作，图像大小统一成227x227x3。使用加载的图像构建一个ImageDataGenerator，用于生成训练数据。经过数据预处理，我们使用了3种深度学习模型，分别是ResNet、VGGNet和GoogleNet，它们均是预训练模型，可以在ImageNet数据集上较高的准确率。由于知道ResNet、VGGNet和GoogleNet的设计模式，所以可以通过加载不同的层来进行迁移学习，也可以在最后几层–全局平均池化层都变成自己想要的结构。构建模型后，开始训练，使用SGD优化器，学习率为0.0001，最大迭代次数为50次，每次迭代采用模型中的全部数据做训练。经过训练，实验结果显示，使用ResNet的准确率达到了97.08%；使用VGGNet的准确率达到了92.13%；使用GoogleNet的准确率达到了87.53%。本次实验为芝士图像的整体质量评价提供了一种可行的新思路——迁移学习，并且达到了较高的准确率，表明迁移学习技术在图像识别任务中是有效的。但是，在分析芝士图像中不同细节部位质量时，由于图像复杂程度较高，仍需完善模型架构，增加模型复杂度，提高识别精度。