在CIFAR10小图像数据集中训练一个简单的深度CNN。
它在25次测试中下降到0.65，在50次测试后下降到0.55，尽管在这一点上它仍然是欠拟合的。
如果进行数据扩充，您可以尝试在卷积和密集层中增加过滤器的数量。
图书馆(keras)#参数 --------------------------------------------------------------batch_size<-32时代<-50data_augmentation<-假#数据准备 --------------------------------------------------------更多信息请参见?dataset_cifar10cifar10<-dataset_cifar10（）
#测试和训练输入中的特征尺度RGB值x_train<-cifar10＄火车＄x/255x_test<-cifar10＄测验＄x/255y_train<-cifar10＄火车＄yy_test<-cifar10＄测验＄y#定义模型 ----------------------------------------------------------#初始化顺序模型模型<-keras_model_sequential（）如果(data_augmentation) {data_augmentation＝keras_model_sequential（）% > %layer_random_flip（“水平”）% > %layer_random_rotation（0.2）模型<-模型% > %data_augmentation（）｝模型<-模型% > %#开始隐藏二维卷积层，被提供32x32像素的图像layer_conv_2d（过滤器=16，kernel_size =c（3.，3.)，填充=“相同”，input_shape =c（32，32，3.））% > %layer_activation_leaky_relu（0．1）% > %#第二隐藏层layer_conv_2d（过滤器=32，kernel_size =c（3.，3.）)% > %layer_activation_leaky_relu（0．1）% > %#使用最大池layer_max_pooling_2d（pool_size =c（2，2）)% > %layer_dropout（０．２５）% > %# 2额外的隐藏2D卷积层layer_conv_2d（过滤器=32，kernel_size =c（3.，3.)，填充=“相同”）% > %layer_activation_leaky_relu（0．1）% > %layer_conv_2d（过滤器=64，kernel_size =c（3.，3.）)% > %layer_activation_leaky_relu（0．1）% > %#再次使用最大池layer_max_pooling_2d（pool_size =c（2，2）)% > %layer_dropout（０．２５）% > %#压平最大过滤输出到特征向量#和饲料到致密层layer_flatten（）% > %layer_dense（256）% > %layer_activation_leaky_relu（0．1）% > %layer_dropout（0．5）% > %#从密集层的输出投影到10单位输出层layer_dense（10）
在layer_conv_2d(警告。，过滤器=64，kernel_size =c（3.，3.）): partial argument match of 'filter' to 'filters'
在layer_conv_2d(警告。，过滤器=32，kernel_size =c（3.，3.)，填充= "same"): partial argument match of 'filter' to 'filters'
在layer_conv_2d(警告。，过滤器=32，kernel_size =c（3.，3.）): partial argument match of 'filter' to 'filters'
在layer_conv_2d(警告。，过滤器=16，kernel_size =c（3.，3.)，填充= "same", : partial argument match of 'filter' to 'filters'
选择<-optimizer_adamax（learning_rate =learning_rate_schedule_exponential_decay（initial_learning_rate =5 e - 3，decay_rate =0.96，decay_steps =1500，楼梯=真正的）)模型% > %编译（损失=loss_sparse_categorical_crossentropy（from_logits =真正的)，优化器=选择,指标=“准确性”）#培训 ----------------------------------------------------------------模型% > %适合（x_train y_train,batch_size =batch_size,时代=时代,validation_data =列表(x_test y_test),洗牌=真正的）模型% > %评估(x_test y_test)