创建模型与编译

数据加载进模型后定义模型结构，并优化损失函数。直接调用VGG-16模型作为卷积神经网络，包括13个卷积层、3个全连接层、5个池化层，后接全连接层，神经元数目为256，连接ReLU激活函数，再接全连接层，神经元个数为6，得到6维的特征向量，用于6个垃圾的分类训练，输入Softmax层进行分类，得到分类结果的概率输出。
由于批量梯度下降法在更新每一个参数时需要所有的训练样本，训练过程会随着样本数量的加大而变得异常缓慢。
构建优化器，optimizer＝SGD（lr＝1e-3，momentum＝0.9），采用随机梯度下降学习算法。对数据分批训练，一批16张图片，分20轮训练。相关代码如下：

模型训练及保存

在定义模型架构并编译之后，通过训练集训练模型，使模型识别图片。这里，使用训练集和测试集拟合并保存模型。

通过观察训练集和测试集的损失函数、准确率的大小来评估模型的训练程度，进行模型训练的进一步决策。一般来说，训练集和测试集的损失函数（或准确率）不变且基本相等时为模型训练的最佳状态。

模型生成

后台服务器相关代码如下：

图片接口API相关代码如下：

模型应用

将数据代入模型进行测试，分类的标签与原始数据进行对比，搜索“基于图像识别的你是什么垃圾”小程序，单击即可进入。
界面采用简约的设计，只有一个按钮。单击按钮后可以上传图片进行垃圾分类识别，如图所示。
上传图片后出现进度条对用户进行反馈，识别完成后跳转至结果页面。