清华青年AI自强作业hw5：基于CNN实现CIFAR10分类任务

news2024/9/30 13:29:35

清华青年AI自强作业hw5：基于CNN实现CIFAR10分类任务

- 简述
- 作业实现
- 遇到的问题
- 相关链接

在这里插入图片描述

一起学AI系列博客：目录索引

简述

hw5作业为利用深度卷积神经网络实现CIFAR_10数据集十分类问题，帮助理解CNN的前向传播结构。

CIFAR-10是一个常用的彩色图片数据集，它有10个类别: ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。

其中，训练集样本5W张图，测试集样本1W张图。

在这里插入图片描述

官网介绍：The CIFAR-10 dataset，link

相应实现源码见代码仓：https://github.com/ioMayday/Tsinghua_Youth_AI/tree/master/homework
相关keras使用指导：https://keras.io/zh/getting-started/sequential-model-guide/

作业实现

首先，根据课程作业上搭建的模型网络，得到总体算法流程。

在这里插入图片描述

简单的CNN网络模型及具体参数

算法流程

输入图像
进行数据增强
两层卷积网络
- 卷积计算
- 加入偏置
- 激活函数
- 池化计算
将结果输出展开成1维向量
通过两层FC网络
通过softmax得到10分类结果

注意，卷积+池化+偏置+relu，这里我们整体算1层卷积网络。

基本超参设置

batch-size: 256
epoch：100
lr:0.1
learning_decay:0.001
loss：交叉熵
优化方法：adam
模型层数：4
batchnorm: yes
激活函数：relu
末端输出：softmax

实现步骤

本地调试
- 先本地CPU跑通demo
服务器正式训练
- 在服务器跑GPU
- 先调小的epoch、batchsize、样本输入，保证gpu环境通的
- 再调正式的参数进行训练

遇到的问题

数据集100次epoch后loss就无法下降，预测集精度仅55%

老师结果：70.18%
学生结果：87.35%

现象分析

是否训练次数不够高，欠拟合
- epoch调大后，依然无济于事
查看样本大小，原始的：5w训练，最新的：10w训练，是否训练集问题？
- 确认不是，最新的数据集本质也是5w张图片，只是数据增强后，增加了5w张图
keras编译项loss还是二分类loss，应该改为categorical_crossentropy。
- 确认有影响，导致模型loss无法正常收敛
是否学习率过大导致loss无法进一步收敛？
- 确认有影响，学习率衰减设置过大0.8，导致lr很快为0，改为0.001，再后期可以精细化调节loss

结论

编译项loss类型选择错误
学习率设置过大

在分析过程中，同期实现了基于keras官网介绍的模型训练demo，改进后测试精度达到：76%。主要做了以下修改：

网络卷积层数和feature个数不同
去除图片增强模块
基于colab环境运行，适配其keras版本

最终，基于课程上的网络模型训练，经过100个epoch得到的结果是：

训练集：99.97%
测试集：68%

说明有些过拟合，后期还需要增大正则化、减小epoch提前终止训练等方式来进行优化。