基于Python的fashionMNIST数据分析与处理分类 课程论文+项目源码及数据

---

目录kaggle 排名 2数据分析与处理 31、图片分析 32、数据划分 3数据增强 4模型选择 41、3 层卷积简单模型 42、VGG16 修改 43、DPN 修改 54、resnet 18 修改 55、resnet 50 修改 66、Google Net 6参数调整 61、学习率与优化器 62、数据批量大小 batch size 73、旋转角度 74、模型参数 7训练策略 81、控制随机种子 82、预训练 83、Bagging 投票 8总结 9参考资料 9kaggle 排名用户名：HyperionSoldier用户名寓意：科幻小说《海伯利安》中的伯劳是未来人类所创造之终极智能体，以“海伯利安战士”为名象征着人工智能的强大力量以及使用 AI 解决问题的决心。private 榜：Score 0.91514 排名第 19

1、3 层卷积简单模型首先使用了有 3 层卷积的简单模型，卷积之间用 batchnorm 层和 relu 层连接，提高模型的泛化能力。这种简单模型在 validation 集最高能达到 90.9%的准确率，在 kaggle 公榜上能达到 87% 的准确率。2、VGG16 修改VGG 模型常被用于各种分类任务，曾获得 2014 年 ILSVRC 竞赛的第二名，下面是 VGG 模型的参数配置(Simonyan & Zisserman, 2014)。本次任务我使用了 VGG16 的修改版（表格中的 C），首先将 RGB 3 通道的输入改为 1 通道灰度，再将最后 3 个卷积层和 maxpool 池化层去掉，最后将全连接层的维度改为 256-512-10