神经网络大作业基于深度学习的猫狗分类源码+模型+数据集+课程报告，深度学习归一化算法的分析、比较以及改进

# 实验环境 环境：Anaconda python3.8 框架：tensorflow2.0和GitHub社区实现的keras-contrib包(https://github.com/keras-team/keras-contrib) # 数据集 [NaCl-fish/cat-or-dog--dataset: 12500张猫图和12500张狗图，分为训练集20000张和测试集5000张。 简化的数据集， 供同学们学习使用。 (github.com)](https://github.com/NaCl-fish/cat-or-dog--dataset) # 运行方式 ## 训练 ``` python training.py ``` ## 测试 ``` python test.py ``` ​ 模型的构建实现在model.py，训练实现在training.py，测试实现在test.py，input_data.py实现batch的划分和文件的处理。data存放训练集和测试集，log用于学习好的模型参数的存放，image用于存放训练&测试过程中生成的图表。此次研究模型代码和生成的图表分类放在“各种model”文件夹。 # 实验结果 ​ 对无norm版本、实现了BN、LN、IN和GN四种已有算法的四个版本以及FNBB和FNBL两种新的改进算法两个版本进行了比较，并对结果进行了分析。 | 各算法最佳结果 | 训练 | 测试 | | -------------- | ---------------------------------------------- | --------------------------------------------- | | 无norm |  |  | | BN |  |  | | LN |  |  | | IN |  |  | | GN |  |  | | FNBB |  |  | | FNBL |  |  | （详情及具体分析见技术报告，由于已训练好的模型参数体积过大，不在提交文件中展示，可以联系作者获取或自行训练）